《表2 实验结果:基于混合深度神经网络的大气污染预测》
由表2可以看出,CNN+LSTM的混合模型性能表现最佳,CNN模型在时间序列预测方面性能较差,LSTM模型在处理基于时间序列问题时相较与其他单模型具有较好的表现。实验表明,通过将CNN添加到LSTM中,提高了基于空间特性的特征提取效率,改善了LSTM模型的时空序列预测性能。
图表编号 | XD00125765100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 宋耀宇 |
绘制单位 | 华北水利水电大学 |
更多格式 | 高清、无水印(增值服务) |
由表2可以看出,CNN+LSTM的混合模型性能表现最佳,CNN模型在时间序列预测方面性能较差,LSTM模型在处理基于时间序列问题时相较与其他单模型具有较好的表现。实验表明,通过将CNN添加到LSTM中,提高了基于空间特性的特征提取效率,改善了LSTM模型的时空序列预测性能。
图表编号 | XD00125765100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 宋耀宇 |
绘制单位 | 华北水利水电大学 |
更多格式 | 高清、无水印(增值服务) |