《表1 误差分析结果：基于BP-Adaboost模型的交通流量预测》

  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BP-Adaboost模型的交通流量预测》

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

应用四种误差评价指标计算得到的BP-Adaboost预测模型与传统BP神经网络模型在预测精度上的对比分析结果如表1所示，由表1可知，BP-Adaboost模型在全天候和早高峰的预测绝对误差分别小于58辆和12辆，而传统BP神经网络模型的绝对误差则分别是121辆和29辆，误差较大。对于相对误差而言，BP-Adaboost预测模型的全天候预测结果相对误差小于27%，早高峰的预测相对误差小于14%，而传统BP神经网络模型预测结果的相对误差上限分别是71%和39%，同样具备较大的相对误差。均方根误差可以反映预测结果的离散程度，从表1中可以看出，相比于传统BP神经网络模型，BP-Adaboost预测模型具有较低的均方根误差，表明了BP-Adaboost预测模型预测结果的精密度较好、波动较小。从整体水平角度看，平均误差能够反映出预测结果的平均精度水平，BP-Adaboost预测模型的平均误差控制在6%以内，而传统BP神经网络模型则具有较大的平均误差，表明了BP-Adaboost预测模型具备比传统BP神经网络模型更高的预测精度。