《表4 各类算法误差比较：基于LSTM引入客车占比特征的短时交通流预测》

  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LSTM引入客车占比特征的短时交通流预测》

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

根据3.1.1节的预测模型，分别选取时间间隔t为5、10、15 min，选取r=4，即利用前4个时间序列的高速公路收费站车流量数据，预测第5个时间段的车流量。3个不同时间间隔的模型预测结果如图9，3个不同时间间隔的预测误差如表3。由表3可以看出:3个时间间隔的预测模型的MAPE均在20%以下，说明模型有较好的适用程度；当时间间隔选取5 min时，预测模型的均方根误差（RMSE）、均方误差（MSE）和平均绝对误差（MAE）分别为1.27、1.61和9.95，模型的预测效果最好。同时，为了比较算法的优劣程度，分别利用ARIMA算法、BP神经网络对同样的数据进行训练及预测，各类算法预测误差的比较结果如表4，其中LSTM算法的误差最小，预测效果最好。