《表4 不同降雨环境下的预测结果》

  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

《集成PCA和LSTM神经网络的浸润线预测方法》

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

选取测试集比较PCA-LSTM神经网络、LSTM神经网络、多元回归Elastice Net、BP神经网络和SVR在此数据集上的MSE、MAE和R2，试验结果见表4。由表4可知:总测试样本的PCA-LSTM的决策系数最高达到了0.805，MAE和MSE相比其他方法也最低。尤其是在无雨及小雨天气环境下，PCA-LSTM的决策系数达到了最高0.818，MAE的结果低至0.01，证实了该方法的有效性。在中雨及大雨环境下，其决策系数也不低于0.7，证实了该方法的稳定性。多元回归分析与BP神经网络方法的决策系数较低，是由于其不具有解决复杂的非线性能力决定的，因此无法满足预测需求。SVR是在高维空间拟合一条高维曲线，使得所有样本点距离此线最近，在降雨情况复杂时预测能力较弱。LSTM神经网络兼顾时序性与非线性，其预测精度比SVR略好，结合PCA去除数据冗余之后，预测精度提升，也证明了本文所提方法的有效性。