《表2 实验所用仪器：基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法》

  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CNN-ResNet-LSTM模型的城市短时交通流量预测算法》

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

将提出的CNN-Res Net-LSTM模型与其他模型进行了比较，如表2所示．从预测结果来看，模型ARIMA和循环神经网络（SimpleRNN，GRU，LSTM）对最终流量的预测误差比较大，由于提出的CNN-Res Net-LSTM模型充分考虑了交通流量的时空特征，所以CNN-Res Net-LSTM模型与其他6个模型在交通流量的短时预测相比，表现出了较好的结果，其RMSE值为16.10，MAPE值为1.699．从模型复杂程度上看，CNN-Res Net-LSTM模型在保证较好预测结果的基础上大大降低了模型的复杂程度，其参数数量为281 054.