《表1 异常数据修复对MAPE的影响分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于CNN-GRU的菇房多点温湿度预测方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

表1为异常数据修复前后CNN-GRU模型对2020年1月2日至2020年1月6日各点温湿度预测效果对比分析。数据的缺失会导致模型在训练过程中损失值出现Na N值现象而无法进行，因此在训练模型之前需通过预处理对缺失数据进行填补。由表1可以看出，在异常数据修复后CNN-GRU模型对各点温度、相对湿度预测的MAPE较异常数据修复前分别降低了4.56%、7.46%，原因为异常数据作为训练样本所提取的样本特征不够完整、准确，对模型的预测效果有着直接的影响，表明了采用均值法对异常数据修复的有效性。