《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》
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.
图表编号 | XD00183667900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 蒲悦逸、王文涵、朱强、陈朋朋 |
绘制单位 | 中国矿业大学计算机科学与技术学院、中国矿业大学计算机科学与技术学院、中国矿业大学计算机科学与技术学院、中国矿业大学计算机科学与技术学院、中国矿业大学矿山数字化教育部工程研究中心 |
更多格式 | 高清、无水印(增值服务) |