《表2 各机器学习模型的表现效果及对比》

  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

《基于机器学习方法的安徽省年降水量预测》

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

注：根据《水文预报误差标准》规定，以20%作为预报合格与否的临界值。

为全面评价各模型的表现效果，使用平均相对误差和合格率两个指标来比较彼此之间的差别，结果见表2。由表2可知，5个机器学习模型的表现均达到合格水平，其中BPNN明显落后于其他4个模型，在利用小波理论和T-S模糊系统改进后，网络性能明显提高，验证期误差从20.6%分别下降至13.6%和12.5%，合格率也从63.7%上升到了72.7%和77.3%。SVM与ELM表现相当，差别不大，ELM在拟合期的表现略优于SVM，但在验证期却恰好相反。总体来说，WANN、TSNN、SVM、ELM表现出了优秀的非线性拟合能力，且泛化能力也远远高于原始的BP神经网络。