《表4 MGGP与BP神经网络预测情况对比》

  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

《基于多基因遗传规划的沈阳及其周边地区PM2.5浓度的预测》

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

本文使用相同数据对BP神经网络和传统遗传规划GP进行预测训练，得到提前24，48及72h预测PM2.5浓度最小误差与对应MGGP最小误差进行对比（见表4）.从表4可以看出，在PM2.5浓度预测效果上，MGGP与BP神经网络的预测效果受预测时间间隔的影响较小，在提前24，48或72h的预测中，均能保证预测误差的相对稳定，相比之下，传统GP则受预测时间间隔影响更大，预测误差随时间间隔增大而不断上升.MGGP与BP神经网络及GP相比体现出了更好的性能，在提前24，48，72h的浓度预测中产生的误差，MGGP比BP神经网络降低了4%~10%；而传统GP在提前24h的预测中，误差低于BP神经网络，但在提前48和72h的预测中，误差明显提高，并高于BP神经网络.此外，MGGP在不同时段PM2.5浓度预测中所产生的误差的标准差比BP神经网络与传统GP降低了13%~63%，体现了MGGP在不同时段PM2.5浓度预测中的鲁棒性优于BP神经网络及传统GP.