太阳质子事件(SPE)对卫星、宇航员和技术系统造成重大辐射危害。 准确预测其质子通量时间配置文件对于早期预警和缓解至关重要。 本文探讨了基于长期短期记忆网络的深度学习序列到序列(seq2seq)模型,以预测SPE发病后的24小时质子通量配置文件。 我们使用了NOAA GOES观测到的40个连接良好的SPE(1997-2017)的数据集,每个数据集都与一个 >=M 类西半球太阳耀斑和不受干扰的质子通量谱相关联。 使用4倍分层交叉验证,我们在多个预测情景下评估seq2seq模型配置(不同的隐藏单元和嵌入维度):(i)纯质子输入与组合质子+X射线输入,(ii)原始通量数据与趋势平滑数据,以及(iii)自回归与一击预测。 我们的主要结果如下:首先,一击预测持续产生比自回归预测更低的误差,避免了迭代方法中的错误积累。 其次,在原始数据上,仅质子模型优于质子+X射线模型。 然而,随着趋势平滑的数据,这种差距在质子+X射线模型中缩小或逆转。 第三,趋势平滑通过减轻X射线通道的波动,显著增强质子+X射线模型的性能。 第四,虽然根据趋势平滑数据训练的模型平均表现最好,但表现最好的模型是在原始数据上训练的,这表明架构选择有时可能超过数据预处理的好处。