《表5 不同预测算法用于手机用户停留行为预测的效果比较》

  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

《顾及上网行为特征的手机用户停留行为预测方法》

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

实验选取支持向量机（Support Vector Machine，SVM）、梯度下降决策树算法（Gradient Boosting Decision Tree，GBDT）、随机森林（Random Forest，RF）等常用的机器学习分类算法[21-23]、一阶Markov模型[15，24]，以及最常访问位置预测（Most Frequented Location Model，Most Value）模型[14]，从预测准确率、运行时间两方面与本文模型进行了对比，实验对比结果如表5所示。由表5可知：本文模型准确率高于支持向量机、GBDT方法，比随机森林预测准确率低1.23%，但在运行速度上，本文模型比随机森林模型运行更快，并且模型求解过程易于理解，可解释性强。一阶Markov模型[25]计算量小，运行速度快，但由于仅考虑了各时段的出行状态转移概率，准确率较低。MostValue模型基于统计的思想将该时段历史状态中出现频率最高的结果作为预测结果，是一种常用的算法准确率对比的基础模型[14]。总的来说本文模型准确率较高，且运行速度快，更适用于手机用户停留行为预测。