《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》
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.
图表编号 | XD00175957400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 刘旭林、赵文芳、唐伟 |
绘制单位 | 北京市气象探测中心、北京城市气象研究院、北京市气象信息中心、中国气象局发展研究中心 |
更多格式 | 高清、无水印(增值服务) |