《表2 预测结果指标评价》
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)。
图表编号 | XD0081006700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.31 |
作者 | 何龙庆、陈伦、蒋金勇 |
绘制单位 | 深圳市城市交通规划设计研究中心有限公司、深圳市城市交通规划设计研究中心有限公司、深圳市城市交通规划设计研究中心有限公司 |
更多格式 | 高清、无水印(增值服务) |