《表2 不同模型预测结果的误差比较》

  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

《应用CNN-Seq2seq的PM2.5未来一小时浓度预测模型》

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

基于验证集，选择RMSE、MAE和MAPE对SVR、JustSeq2Seq、local-Seq2Seq和CNN-Seq2Seq这4个模型的预测结果进行评价．表2列出了4个模型对10个站点预测得到的整体精度．可以看出，尽管三个深度学习模型各项指标较接近，CNN-Seq2Seq模型预测效果仍最佳，在两个指标中均优于所有其他模型．相比仅使用本站观测数据的Local-Seq2Seq模型，对于PM2.5浓度，CNN-Seq2Seq对MAPE和RMSE的改进分别至少提高15.38%和26.48%．图6（a）～图6（b）显示了四个模型在10个站上的RMSE和MAE误差分布情况．CNN-Seq2Seq在十个站上的RM SE在[15，24]范围区间，M AE在[11，16]范围区间；Just-Seq2Seq在十个站上的RM SE在[20，38]区间，MAE在[11，25]范围区间，仅有1个站的RM SE小于25；而Local-Seq2Seq模型的RM SE和M AE分布与Just-Seq2Seq类似，峰值比Just-Seq2Seq略高；SVR模型的预测误差明显高于其他三个深度学习的模型．参考前人基于深度学习的PM2.5小时浓度预测研究，当RMSE≤25、MAE≤15时，可以认为模型的预测效果较为理想，由此可见，CNN-Seq2Seq模型的预测效果是4个模型中最好的．