《表2 模型预测性能比较结果》

  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

《基于DWT-GRU模型的天津市NO_2浓度预测研究》

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

图5直观展示了4种预测模型的实验结果，通过可视化分析可以看出SVR模型的预测曲线相对平缓，难以准确预测数据的浮动情况，并且在一些时间段内呈现与目标值相反的波动趋势；GRU作为LSTM的一种变体，在算法上将遗忘门和输入门合成了一个单一的更新门，同样还混合了细胞状态和隐藏状态，在一些实验中有着更优秀的表现，其不仅预测性能优于传统LSTM模型，而且能够很好地预测异常值。然而，LSTM模型在异常值（极大值和极小值）表现良好，例如在第185天和第206天2个极大值以及第155天和第259天2个极小值上，单一LSTM模型的预测精度都优于其他3个模型。为了客观评价这4个模型的性能，我们按照以上公式对预测结果进行了计算，结果如表2所示，评价结果表明，DWT-GRU模型性能优于其他3个神经网络模型，虽然在预测异常值上的表现不如LSTM模型，但整体预测精度最高。表2中平均绝对误差（MAE）和均方根误差（RMSE）这2个指标可以解释上述现象，应用LSTM模型的平均绝对误差和均方根误差均大于应用DWT-GRU模型，说明LSTM模型的预测值离散程度大，因此在异常值的变现上也更有可能逼近真实值。但平均绝对误差和均方根误差相对较小，说明DWT-GRU模型相对较少出现与真实值相距甚远的情况，泛化能力高于其他模型，能更加有效地预测NO2浓度的变化趋势，用于其他地区或其他污染物的预测，指导大气污染的防控工作。