《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》
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。
图表编号 | XD00184955300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 刘炳春、陈佳丽、郭晓玲、王庆山 |
绘制单位 | 天津理工大学管理学院、天津理工大学管理学院、天津理工大学管理学院、天津农学院 |
更多格式 | 高清、无水印(增值服务) |