《表2 预测结果指标评价》

  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

《基于时空数据驱动的交通流预测》

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

选择BP神经网络（Back Propagation Neural Network，BPNN）和支持向量机（Support Vector Machine，SVM）与SAE-DNN预测结果进行对比。模型评价指标选取平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percent Error，MAPE）和均方根误差（Root Mean Squared Error，RMSE）。SAE-DNN平均预测误差最小，MAE、MAPE和RMSE分别为3.72、10.52%和5.43（见表2）。与BPNN相比，SAE-DNN在全天尺度上预测精度更高，特别是在早晚高峰时段，都达到较好的拟合程度；SVR利用SVM做回归分析表现优于BPNN，但容易在某些时间点出现较大的偏差，整体稳定性稍逊于SAE-DNN；SAE-DNN在10:00—12:00时段出现较大误差，但能及时进行调整，预测曲线逐步恢复至正常轨道，适应性强。总体而言，SAE-DNN表现最优（见图8）。