《表3 不同模型的预测误差》
在该实验中,本文选取其他四种预测方法来和多因素稀疏回归模型(即H+T+W sparse模型)进行对比,其中所有预测方法的训练数据长度为30 d,测试数据长度为随后14 d。第一种方法为ARIMA模型,本文采用参数估计[3]的方式,对每个商家数据经过差分、定阶来确定ARIMA模型的参数;第二种是采用取均值的方法,即预测的客流量全为训练数据客流量的均值;第三种是不附加任何外部因素的sparse regression模型;第四种是循环神经网络(recurrent neural network,RNN)[22],其中网络的隐藏层层数为20,学习率为0.006。实验结果如表3所示。
图表编号 | XD00163335800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 郑增威、杜俊杰、周燕真、孙霖、霍梅梅 |
绘制单位 | 浙江大学城市学院智能植物工厂浙江省工程实验室、浙江大学城市学院智能植物工厂浙江省工程实验室、浙江大学计算机科学与技术学院、浙江大学城市学院智能植物工厂浙江省工程实验室、浙江大学计算机科学与技术学院、浙江大学城市学院智能植物工厂浙江省工程实验室、浙江大学城市学院智能植物工厂浙江省工程实验室 |
更多格式 | 高清、无水印(增值服务) |