《表3 样本训练次数比较：基于循环神经网络的船舶航迹预测》

  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

《基于循环神经网络的船舶航迹预测》

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

实验结果如表3～表5所示。由表3可知，随着样本训练次数的增加，计算耗时近似正比例增长，预测精度也不断提高，当训练次数由9增加至10时，预测精度不增反降。此外，样本训练次数由2增加至3时，MSE变化量最大，精度提升最为显著，而后续随着训练次数的增长，精度提升的速度缓慢，且耗时越来越长。因此，训练次数2或3为较好的选择；若侧重于缩短计算耗时，训练次数2为最佳；若侧重于提升预测精度，训练次数3为最佳。由表4可知，批处理数量为16时，其结果与24相比没有任何优势；而批处理数量为24时的预测误差明显低于32的预测误差，同时计算耗时的差距较小。因此，批处理数量为24时的实验效果最好。由表5可知，神经元数量由40增至100时，预测误差不断降低，之后误差提高，计算耗时近似等距增长。因此，选择神经元数量为100时的结果最佳。