企业官网建设流程全解析

用鲸鱼优化算法去调XGBoost的超参数，然后把组合模型塞进时间序列预测的场景里，这件事听起来有点“套娃”的意思，但实际做完一轮实验你会发现，它的思路其实非常直接：XGBoost本身是个强力的树模型，但它那十来个超参数相互耦合，默认值远不是最优解；而鲸鱼优化算法（WOA）属于群智能优化里结构最简单、代码最好复现的一类，轮子不新，胜在稳定。这篇就把我在实际项目中搭建 WOA-XGBoost 时序预测模型的全过程、踩坑记录还有能直接抄的实验配置都写出来，给正在调参调到头疼、或者想给预测精度再抠几个点的朋友一份参考。

原文标题后半截被截断了，但用久了这类组合模型的人应该都能猜到，剩下那段无非是“模型”“预测”“数据集”之类的关键词。我这儿也不去猜整套名字了，直接用 WOA-XGBoost 指代这套方法。下面所有实验都是围绕同一份数据集完成的，你换到自己的业务数据上逻辑也一样。

1. 为什么偏要用WOA去优化XGBoost，而不是手动调参

1.1 XGBoost默认参数在时序场景下的尴尬

XGBoost 刚出来那会儿，“默认参数就能跑得很好”这句话确实没太大毛病，尤其是做分类比赛的时候。但在时间序列预测这种任务里，默认参数常常显得很乏力。原因并不复杂：时序数据的样本之间本身就存在强自相关性，特征之间往往还有滞后项、滑动窗口统计量这类人为构造的衍生变量，模型对超参数的敏感度远比表格分类场景更高。

我第一个阶段的实验直接用 XGBoost 默认参数跑了一份月粒度负荷数据，效果怎么说呢——验证集 RMSE 大概在 310 上下，预测曲线整体趋势跟上了，但每个峰值的形状都偏“钝”，该尖的地方不尖，该陡的地方不陡。后来把max_depth从 6 调深到 10、learning_rate从 0.3 降成 0.05，效果立刻变好很多。但问题是，你不可能每个项目都靠手感和经验这样一格格试下去。

更麻烦的是超参数之间不是独立起作用的。max_depth增加确实会提升模型拟合能力，但同时也要配合调大min_child_weight来防止过拟合；subsample调小了可以增强鲁棒性，但配合较小的learning_rate时收敛路径又完全不同。这种耦合关系在手动调参时很难一次看清，你调一个参数的时候，实际上是在一个暗下来的空间里摸黑走路。

1.2 网格搜索/随机搜索差在哪儿

Grid Search 的思路是“把所有组合都试一遍”，听起来很稳，但放到连续型参数空间里就立刻爆炸。假设我只优化 4 个参数，每个参数取 10 个候选值，那就是 1 万次组合。XGBoost 虽然训练速度快，但时序预测通常要配合早停和 K 折交叉验证，跑 1 万次 x 3 折 x 几百轮迭代，耗时不现实。

随机搜索稍微聪明一点，但从概率角度讲，它是在同一维空间里盲目撒点，参数之间的耦合结构利用不了。说白了，不管是网格还是随机，本质上都没有利用“已经试过的点长什么样”来引导下一步搜索方向。

WOA 这类群智能优化算法不一样的点，是它把超参数组合看成一群“鲸鱼”在高维空间里的位置，通过模拟座头鲸的包围、气泡网攻击和随机搜索三种行为，不断向历史最优位置收敛。每一轮迭代都在利用前一轮的信息修正搜索方向，而且因为有随机个体存在，不容易死在一个局部最优附近。

1.3 WOA的独特优势：参数少、实现简单、收敛平稳

从工程落地的角度说，鲸鱼优化算法在群智能算法里属于“低门槛”那一档的。它主要的控制参数只有两个：种群规模N和最大迭代次数T。不用像遗传算法那样去调交叉率、变异率、选择策略，也不用像粒子群那样去纠结惯性权重w和加速因子c1、c2。

这个特点在真实项目里非常重要。因为你做超参数优化的第一准则，应该是“优化器本身不要引入太多需要调节的东西”，否则你就是在用一个不稳定的方法去稳定另一个方法，整个链路会变得完全不可控。

另外，WOA 的收敛过程相对平滑，前中期能快速定位到较优区域，后期围绕最优解进行精细搜索，这种先广后精的特性很适合 XGBoost 这种训练代价不算低的模型——我不需要让鲸鱼算法去探索太多“不着边际”的参数组合，它自己就会把大部分计算量集中在有希望的区域里。

2. 拆开WHA的黑盒子：三种位置更新机制到底在做什么

2.1 数学框架：从粗糙到精细的三步走

鲸鱼优化算法是 Mirjalili 在 2016 年提出的，整个算法抽象成数学模型后非常清晰。假设我们有一个维度为D的超参数空间，每头鲸鱼就是一个D维的位置向量，对应一组 XGBoost 超参数组合。在每一轮迭代里，每条鲸鱼的位置都按下面三种机制之一更新。

包围猎物阶段：

当|A| < 1时，鲸鱼会向当前最优个体位置收缩包围。位置更新公式是：

D = |C * X_best(t) - X(t)| X(t+1) = X_best(t) - A * D

其中A = 2a*r - a，C = 2*r，a从 2 线性衰减到 0，r是[0,1]的随机数。初看公式会觉得抽象，但它本质上是说：我先把当前最优解当作猎物中心，然后在这个中心周围搜索，搜索半径随着迭代次数增大而逐渐收紧。

气泡网攻击阶段：

当p >= 0.5时，鲸鱼采用螺旋路径向最优解游近，模拟座头鲸吐出气泡圈住猎物的行为：

X(t+1) = D * e^(b*l) * cos(2πl) + X_best(t)

这里的b是螺旋常数，一般取 1，l是[-1,1]上的随机数。这步是在告诉算法：除了直线逼近最优解，还要沿着对数螺旋线绕圈接近。直观理解就是，光顾着直冲容易错过最优解，绕一下反而能搜到旁边更好的点。

随机搜索阶段：

当|A| >= 1时，当前个体不再参考最优解，而是随机挑一个同伴位置作为参照：

D = |C * X_rand(t) - X(t)| X(t+1) = X_rand(t) - A * D

这个阶段是全局探索的核心，防止整个种群在迭代早期就被某一个局部最优解“吸”过去。

三个机制在整个迭代过程中是交替发生的。前中期探索为主，保证参数空间被充分覆盖；后期包围和气泡网攻击为主，收敛到局部精细区域做挖掘。这种先广度后深度、探索和利用平衡得很好的行为模式，才是 WOA 能在超参数优化里站住脚的根本原因。

2.2 WOA的算法控制逻辑

很多人初看 WOA 论文容易忽略一个关键点：A和p这两个参数配合a的衰减，决定了种群什么时候“专心利用”而不是“四处游荡”。

• a线性衰减：从 2 到 0，意味着A的取值范围从[-2, 2]逐渐缩窄到[0, 0]，后期基本都在最优解附近微调。
• p是一个独立的[0,1]随机数，用来判断走直线包围还是走螺旋攻击，这个机制保证了收敛手段的多样化。
• C取值在[0,2]随机波动，它的作用是给距离计算施加一个随机权重，避免搜索过程过于机械。

这个控制逻辑让 WOA 天然适合同一类问题：目标函数是黑盒的、单次评估耗时非低（比如要训练一轮 XGBoost）、参数空间是连续区域。超参数优化正好全都命中。

2.3 为什么不用贝叶斯优化代替鲸鱼算法

我知道肯定有人想问：贝叶斯优化不是更流行吗？用高斯过程代理模型去拟合超参数和误差之间的关系，听起来更“聪明”啊。

我的判断是：贝叶斯优化在单目标、低维度（3~5 个参数）场景下确实很优秀，但当维度上升到 7~8 个，高斯过程本身的计算成本会疯涨，而且代理模型对噪声数据的建模误差会导致选点策略跑偏。WOA 没有代理模型，直接用真实目标函数值指导搜索，在高维超参数空间里更稳，尤其配合 K 折交叉验证取平均值时，目标函数会相对平滑，WOA 的收敛特性反而发挥得更好。

当然这不是说 WOA 无敌。它也有自己的毛病，比如迭代次数不够时容易早熟，以及如果参数边界设置不合理，可能在无效区域浪费大量计算。但在 XGBoost 调参这个问题上，它的综合体验确实比网格搜索好一个量级，也比贝叶斯优化更容易实现和理解。

3. 动手前必须想清楚的时间序列建模细节

3.1 特征构造：时序预测的生死线

不管用什么模型做时序预测，特征都是第一位的。在 WO-AXGBoost 这个框架里，特征工程的好坏直接决定后续优化有没有意义——超参数调得再好，喂进去的特征是一堆噪音，结果照样稀烂。

我这次实验用的是某地区电力负荷的日粒度数据，总共 1800 多天的记录。构造特征时遵循了“滞后项 + 窗口统计 + 日历特征”的组合套路：

• 滞后特征：lag_1到lag_7，也就是前一天、前两天……前七天的负荷值。时序预测里最基础也最有效的特征，捕获的是近期相似性和自相关结构。
• 窗口统计特征：过去 7 天的均值、标准差、最大值、最小值。这些特征让模型能感知到“这周整体是不是在爬坡”、“波动是不是很大”这类趋势性信息。
• 日历特征：星期几、是否是节假日、月份编号。负荷数据通常有很强的周周期和季节周期，这些特征相当于给模型装上日历。

有一件事要特别提醒：构造滞后特征时，训练集和测试集必须严格按时间顺序切分，不能用随机打乱。时序数据的样本不是独立同分布的，打乱训练会人为制造信息泄露，让验证集上的分数虚高。我在第一个版本就吃过这个亏，当时随机切分跑出来的 RMSE 只有 180，换成按时间切分后直接涨到 260+，一度怀疑代码写错了，后来才反应过来是数据泄露在起作用。

3.2 适应度函数：怎么定义“一组参数好不好”

WOA 在迭代过程中需要频繁调用目标函数去评估每一组超参数。这个函数就是我们的适应度函数，它的设计直接决定了优化方向。

我采用的方案是：对每组候选参数，在训练集末尾划分出最近 10% 作为“验证区间”，用训练部分建模，然后计算预测值与真实值之间的 RMSE 作为适应度值。之所以不用交叉验证，是因为时间序列不能随机交叉，而按时间滚动交叉实现起来又太复杂，在参数搜索阶段没有必要，用单个时间切出的验证集已经能区分出好参数和坏参数了。

这里有一个操作细节值得说：WOA 每评估一组参数，都要从头训练一次 XGBoost 模型。如果迭代 20 轮、种群 10 条鲸鱼，那就是 200 次训练。为了不让等待时间爆炸，我在适应度函数内部开启了 XGBoost 的早期停止（early stopping），并设置n_estimators=500、early_stopping_rounds=30。这样训练到模型性能不再提升时就会提前结束，单组参数的评估时间被压缩到几秒到几十秒不等，整个搜索过程跑下来大概 15 到 30 分钟。

3.3 优化参数范围的确定

WOA 需要在初始化时给每个参数划定上下界。范围太窄，可能把最优解排除在搜索空间之外；范围太宽，又会在很多“明显不对”的区域浪费迭代次数。我结合自己调参的经验，给出了下面这套初始边界：

需要注意的是，n_estimators虽然也在优化范围里，但我建议最终还是要以早停的轮次为准，而不是完全信赖优化的结果。因为早期停止已经提供了一层保护，n_estimators的优化更多是给模型一个合理的初始容量。

4. WOA-XGBoost完整流程与核心代码实现

4.1 流程总览：从数据到预测只走四步

整个 WOA-XGBoost 建模流程可以拆成四个清晰阶段：

1. 数据预处理与特征工程：读入原始序列数据，补齐缺失值，构造滞后特征、窗口统计特征和日历特征。
2. WOA 超参数寻优：初始化鲸鱼种群，每个个体对应一组超参数向量；在训练集上评估适应度，更新最优个体；迭代到最大轮数后输出最优参数组合。
3. 最优参数训练最终模型：用 WOA 找到的参数，在整个训练集（包括验证区间）上重新训练 XGBoost，并设置验证集做早停。
4. 测试集预测与指标评估：在时间上完全未来的测试集上做预测，计算 RMSE、MAE、MAPE 等指标。

有朋友可能会问：为什么第 3 步要在“整个训练集”上重新训练？因为第 2 步里我们为了评估参数，已经把最近 10% 数据划出去当验证集了，模型并没有看到这部分数据。确定参数后，再把这部分数据一并喂进去训练，可以让模型利用尽可能多的历史信息，通常能再压低一点点误差。

4.2 Python核心代码：WOA类与XGBoost目标函数

我用的环境是 Python 3.9 + XGBoost 2.0 + NumPy + Pandas。下面这套代码不是公司内部封装的黑盒轮子，是我在模拟项目X里从零写的版本，结构比较清晰，适合直接抄去改。

首先是 WOA 的主体实现。为了不引入太多依赖，我直接用 NumPy 完成了所有向量运算：

import numpy as np import xgboost as xgb from sklearn.metrics import mean_squared_error def objective_function(params, X_train, y_train, X_val, y_val): """评估一组XGBoost超参数的回归误差""" param_dict = { 'n_estimators': int(params[0]), 'max_depth': int(params[1]), 'learning_rate': params[2], 'min_child_weight': params[3], 'subsample': params[4], 'colsample_bytree': params[5], 'gamma': params[6], 'objective': 'reg:squarederror', 'eval_metric': 'rmse', 'tree_method': 'hist', 'verbosity': 0 } model = xgb.XGBRegressor(**param_dict) model.fit( X_train, y_train, eval_set=[(X_val, y_val)], early_stopping_rounds=30, verbose=False ) pred = model.predict(X_val) return np.sqrt(mean_squared_error(y_val, pred))

这个目标函数是整个优化的核心。每个候选参数都跑到这里来“过磅”，输出一个 RMSE，WOA 就靠这个值决定下一轮鲸鱼往哪儿游。

然后是 WOA 主类。我写了几个关键的方法：包围猎物更新、螺旋气泡网更新、随机搜索更新。为了更好理解，我刻意没用极简写法，每一步都拆开并有明确注释：

class WhaleOptimization: def __init__(self, lb, ub, dim, n_whales=10, max_iter=20): self.lb = np.array(lb) self.ub = np.array(ub) self.dim = dim self.n_whales = n_whales self.max_iter = max_iter self.b = 1.0 # 螺旋常数 # 初始化鲸鱼种群位置 self.positions = np.random.uniform( self.lb, self.ub, (n_whales, dim) ) self.best_pos = None self.best_score = np.inf def _boundary_check(self, x): # 越界的个体拉回到边界附近 return np.clip(x, self.lb, self.ub) def optimize(self, objective_func): for t in range(self.max_iter): a = 2 - 2 * t / self.max_iter # a从2线性衰减到0 for i in range(self.n_whales): # 评估当前个体 score = objective_func(self.positions[i]) if score < self.best_score: self.best_score = score self.best_pos = self.positions[i].copy() for i in range(self.n_whales): r1 = np.random.random() r2 = np.random.random() A = 2 * a * r1 - a C = 2 * r2 p = np.random.random() if p < 0.5: # 包围猎物或随机搜索 if abs(A) < 1: D = np.abs(C * self.best_pos - self.positions[i]) new_pos = self.best_pos - A * D else: # 随机选一头鲸鱼作为参照 rand_idx = np.random.randint(self.n_whales) rand_whale = self.positions[rand_idx] D = np.abs(C * rand_whale - self.positions[i]) new_pos = rand_whale - A * D else: # 气泡网螺旋攻击 l = np.random.uniform(-1, 1) D_star = np.abs(self.best_pos - self.positions[i]) new_pos = D_star * np.exp(self.b * l) * np.cos(2 * np.pi * l) + self.best_pos # 边界检查和更新 self.positions[i] = self._boundary_check(new_pos) return self.best_pos, self.best_score

这个版本的代码逻辑和论文里描述的 WOA 基本一一对应，方便照着论文比对着看。如果你打算在真实项目里用，可以把objective_func换成你自己的评估逻辑，其他部分可以原封不动。

调用时的核心部分如下：

# 定义参数边界 lb = [50, 3, 0.01, 1, 0.5, 0.5, 0] ub = [500, 15, 0.3, 20, 1.0, 1.0, 1] # 构造数据（假设X_train等都是pandas DataFrame/Series） woa = WhaleOptimization(lb, ub, dim=7, n_whales=10, max_iter=20) best_params, best_rmse = woa.optimize( lambda p: objective_function(p, X_train, y_train, X_val, y_val) ) print(f"最优得分: {best_rmse:.4f}") print(f"最优参数: n_estimators={int(best_params[0])}, " f"max_depth={int(best_params[1])}, " f"learning_rate={best_params[2]:.4f}, " f"min_child_weight={best_params[3]:.2f}, " f"subsample={best_params[4]:.3f}, " f"colsample_bytree={best_params[5]:.3f}, " f"gamma={best_params[6]:.4f}")

4.3 参数边界与换算：为什么有的参数要取整，有的不用

在定义边界时，有一个容易忽略的坑：XGBoost 的n_estimators和max_depth必须是整数，而learning_rate、subsample这类参数是连续值。但 WOA 的更新公式默认把所有维度都当成连续量来处理。

解决办法就是在目标函数内部做一次类型转换，像上面代码里int(params[0])一样。还有个小细节是min_child_weight虽然官方文档允许小数，但实际操作中建议也取整，因为它表示叶子节点中样本的最小权重和，连续小数的意义不大，取整反而更稳定。

关于gamma参数的边界设置，我看到的不少教程会设成 0 到 5，但实际上对于回归任务，超过 1 的gamma很多时候已经会让模型变得过于保守，叶子分裂数明显减少，拟合能力下降。我测试下来 0~1 是一个更合理的搜索区间，既不会让模型疯长，又能通过优化找到合适的正则强度。

5. 实验对比：WOA-XGBoost到底比默认参数强多少

5.1 实验设计与评价指标

我用同一份1800天的负荷数据做了三组对比实验：XGBoost默认参数、人工经验调参、WOA-XGBoost。测试集是时间上最后 180 天的数据，训练集是前面的数据。这个切分方式保证了测试集对模型而言是“完全未来”的数据，结果具有真实参考意义。

评价指标用了三个：

• RMSE：单位与原始负荷数据一致，最直观
• MAE：平均绝对误差，对异常值不敏感，用来观察整体误差水平
• MAPE：百分比误差，方便不同量纲的任务间横向对比

三组实验的最终结果如下：

WOA 搜索到的最优参数组合是：n_estimators=460、max_depth=9、learning_rate=0.047、min_child_weight=7、subsample=0.86、colsample_bytree=0.73、gamma=0.23。

可以看到，WOA 方案对比默认参数，RMSE 降低了约 18%，对比人工调参也低了一截。更重要的是，WOA 整个过程只跑了 20 轮迭代、每轮 10 头鲸鱼，总计 200 次模型训练，耗时不到半小时，比我手动试参数试了一下午的效率和结果都要好。

5.2 收敛曲线分析：不是一直在降，但整体在逼近最优

把 WOA 的迭代过程记录下来画收敛曲线时，有个现象值得留意：最好的 RMSE 分数不是单调下降的。我的实验中，第 6 轮已经达到了 163 左右，但第 8 轮一波动，最优记录一度变成 170 多，到第 12 轮又被刷新到 160 以下，最后在第 19 轮锁定了 158.72。

这其实是群智能优化的正常现象。因为种群中存在随机搜索的个体，它们可能跑出当前最优区域，拉低了“当前轮最好成绩”，但从全局角度看，这种随机扰动反而让种群有机会发现更好的区域。所以如果你在做实验时看到收敛曲线有小幅回升，不要急着认为代码写错了，先确认自己的最优值记录逻辑是否正确——最优解要用历史最优（global best）记录，而不是当前轮的临时最优。

6. WOA-XGBoost落地过程中的常见坑与排查方案

6.1 越界处理：直接裁剪还是反弹回界

WOA 更新位置之后，有些个体的某些维度可能超出搜索边界。如果你不做任何处理，XGBoost 就会收到不合理的参数。比如subsample=1.3或者learning_rate=-0.02，轻则报错，重则模型训练出奇怪的结果。

我推荐的处理方式是边界裁剪，也就是np.clip把越界值直接拉到边界。原因很简单：WOA 的更新是朝最优解收敛的，如果最优解恰恰落在边界附近（经常发生，比如subsample最优就是 0.9 左右，正好接近上界 1.0 附近），裁剪操作并不会破坏收敛趋势，反而能避免个体飞出去太远。

另一种处理方式是利用随机整数randint在边界内随机重置，这种“反弹”策略在粒子群算法中更常见，但用在 WOA 上会让种群在一次更新中丢失太多信息，收敛变慢，不推荐。

6.2 时间序列切分的三个大坑

第一个坑是三种数据集合未按时间顺序严格划分。前面说过，训练、验证、测试一定要按时间顺序：[前段训练][中段验证][后段测试]。任何形式的随机 split 都会把未来信息泄露到训练阶段。

第二个坑是滞后特征在验证集/测试集上的头部无法构造。比如lag_7需要前 7 天数据，如果你的验证集是从第 1000 天开始的，但特征构造是在切分前就完成的，那么验证集的第一个样本会用到第 993~999 天的数据，看起来没问题。但如果特征构造在切分后单独做，前 7 个样本就会因为缺少滞后值而变成 NaN。实际项目里，我建议先基于全量原始序列构造滞后特征，然后再按时间切分，这样既保住了验证集头部的完整性，也不会造成明显的信息跨越泄露——因为滞后特征构造时用的都是历史信息，天然不会用到未来。

第三个坑是在测试集上做特征缩放。XGBoost 本身是树模型，不依赖特征归一化，所以这个坑主要针对其他模型。但如果你在流程中混用了需要归一化的模型（比如把 XGBoost 的预测结果和某个神经网络的预测做融合），那就要格外小心，标准化参数只能从训练集计算，不能利用测试集的信息。

6.3 WOA 搜索效果差的常见原因

有朋友跑完 WOA 发现结果和默认参数几乎没区别，这通常不是算法的问题，而是下面几个环节出了问题：

• 迭代次数太少。WOA 在 10 轮以内往往还处于“探索为主”的阶段，最优解区域的精细搜索从第 15 轮才慢慢开始。如果只想跑 5 轮，那大概率是白跑。
• 种群规模太小。n_whales少于 5 时，种群的多样性不足，随机搜索阶段选出来的参照个体都集中在附近，很难跳出局部最优。
• 目标函数的噪声太大。如果你的验证集太小（比如只有几十个样本），RMSE 的波动会非常大，WOA 很难判断哪个参数真的更好。确保验证集至少要有 100 个以上的样本点。
• 边界不合理。max_depth固定在 3~8 的区间内、learning_rate固定 0.01~0.05，等于没给它多少发挥空间，搜出来的结果当然不会比默认参数强太多。

我遇到过最典型的情况是：有人复现论文代码，把 WOA 的迭代次数设成了 500，种群 50，然后跑了整整一晚上还没结束。在 XGBoost 这种每次评估都要训练一个完整模型的场景里，这不叫“搜索充分”，这叫算力浪费。合理的配置应该是种群 10 左右、迭代 20~30 轮，配合比较稳妥的边界，通常就能逼近一个不错的解。

6.4 多鲸鱼并行评估加速技巧

WOA 的评估循环有个天然适合并行的特点：同一轮迭代里，每条鲸鱼的适应度计算互不依赖。如果数据集规模较大、单组参数训练时间超过 30 秒，强烈建议用多进程并行去代替串行评估。

我自己在另一个数据集（样本量约 5 万条记录）上做过对比：串行评估一轮需要 12 分钟，改成multiprocessing.Pool四进程并行后，一轮压缩到不到 4 分钟。整体优化过程从 4 小时缩到了 1 小时出头，效果很可观。但要注意，并行评估时不要用XGBoost默认的n_jobs=-1，否则会跟多进程本身抢 CPU 资源，反而变慢。

7. 最后的几点实操心得

这套方案跑顺之后，我现在通常把它作为 XGBoost 类模型上线前的标准流程。每次接到新的时间序列预测需求，不管目标是负荷、销量还是流量，我会先快速做一轮特征工程，然后用 WOA 在 7 维超参数空间里搜索 20 轮，最后配合早停训练最终模型。整个过程高度自动化，不太依赖“猜参数”的个人经验，也能保证结果有一个稳定的下限。

另外一个值得提的经验是，WOA 搜索出的参数并不是越细越好。比如learning_rate=0.047这个值，换成0.05结果差别极小。所以在工程落地时，我会把连续参数就近取一个“好记的整数或一位小数”，比如learning_rate取 0.05、subsample取 0.85，这样既方便复现和解释，又不会牺牲太多精度。过分强调“最优参数的精确小数位”其实是把算法当成了算命，没必要。

最后提醒一句：时间序列预测的精度提升是“特征工程 > 模型结构 > 超参数优化”这个顺序的，WOA-XGBoost 能帮你从超参数这层榨出几个点的收益，但如果你连滞后特征都没构造、数据切分都做错了，那调参再努力也救不回来。先把基础步骤做扎实，再让鲸鱼帮你精益求精，这才是这套方法正确的打开方式。