《表3 不同模型的预测误差》

  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

《基于多因素稀疏回归预测模型的商家客流量预测》

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

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。