《表3 STP-RNN与PredRNN训练与测试效率对比》

  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

《面向季节性时空数据的预测式循环网络及其在城市计算中的应用》

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

由于STP-RNN实际上处理了更长的序列，因此训练用时会稍有增加，但这并未增加过多的测试用时，如表3所示，对已训练完备的模型的执行效率影响不大．注意到，由于季节网络和趋势网络共享参数，因此STP-RNN实际上仅仅比PredRNN[32]模型仅多出了时空注意力模块的参数（只占总参数量的约10%）．本文强调，一方面，在实际训练时，两个模型所占用的内存差异不大（内存差异是十分重要的，决定着可处理的最大分辨率）；另一方面，参数量的增加并非预测准确性提升的主要原因．同样的，从表3中可以看出，由于免去了梯度计算等操作，STP-RNN模型在测试所需的运行时间与PredRNN模型差异不大，这就意味着STP-RNN模型不会对实用时的效率造成过多的影响．