《表1 原始数据格式：基于门控循环单元神经网络的公交到站时间预测》
提示：宽带有限、当前游客访问压缩模式
由表1可知，原始数据由机器号、定位时间、经度、纬度等多个特征组成，数据量庞大，本文设计了以下步骤对数据进行预处理：
| 图表编号 | XD00167213900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.20 |
| 作者 | 陆俊天、孙玲、施佺 |
| 绘制单位 | 南通大学信息科学技术学院、南通大学信息科学技术学院、南通大学信息科学技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 采样范围及间隔：用门控循环单元实时预测空战飞行轨迹》2020.11.01
- 《表2 本文模型预测误差：基于变分模式分解和深度门控循环网络的风速短期预测模型》2018.12.25
- 《表3 各预测模型误差：基于变分模式分解和深度门控循环网络的风速短期预测模型》2018.12.25
- 《表1 各分量模型参数：基于变分模式分解和深度门控循环网络的风速短期预测模型》2018.12.25
- 《表3 属性特征纬度变化：基于时空相关属性模型的公交到站时间预测算法》2020.03.01
- 《表4 对比实验结果：基于时空相关属性模型的公交到站时间预测算法》2020.03.01
- 《表6 不同模型的拟合度：基于门控循环单元神经网络的公交到站时间预测》2020.06.20
- 《表4 时间序列数据特征：基于门控循环单元神经网络的公交到站时间预测》2020.06.20
- 《表2 到站时间表：基于门控循环单元神经网络的公交到站时间预测》2020.06.20
- 《表3 站点信息表：基于门控循环单元神经网络的公交到站时间预测》2020.06.20
- 《表1 公交车GPS数据：基于公交专用道的准点到站预测方法》2020.09.25
- 《表2 营运趟次数据：基于公交专用道的准点到站预测方法》2020.09.25
- 《表2 实验数据统计：融合双向门控循环单元和卷积神经网络的歧视性言论鉴别》2020.04.24
- 《表4 时间块划分：基于集成学习的公交车辆到站时间预测模型研究》2019.10.15
- 《表4 时间块划分：基于集成学习的公交车辆到站时间预测模型研究》2019.10.15
- 《表3 特征列表：基于集成学习的公交车辆到站时间预测模型研究》2019.10.15
- 《表1 性能评价结果：基于门控循环网络的海浪波倾角预测研究》2019.05.01
- 《表1 模型预测性能：基于门控循环单元网络与模型融合的负荷聚合体预测方法》2019.01.10
- 《表A2预测误差对比：基于门控循环单元网络与模型融合的负荷聚合体预测方法》2019.01.10
- 《表A1模型预测性能：基于门控循环单元网络与模型融合的负荷聚合体预测方法》2019.01.10