《表1 隐藏单元数量对RMSE的影响》

  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

《面向空气质量的时空混合预测模型》

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

模型超参数的不同取值对模型预测性能将产生一定影响，主要包括迭代次数、网络深度、学习率、输入层的向量大小、隐藏层单元数量、批尺寸等超参数[19]。本实验采用Adam优化器，手动设置学习率为0.001，批尺寸为64，迭代次数为300。为了最小化隐藏单元数量的不同取值对STAQI模型预测性能产生的客观影响，将从[8，16，32，64，100，128]中选择不同的隐藏单元数量进行实验，结果如表1所示。在固定α取值为0.5时，当增加隐藏单元数量时，RMSE值先降低后增加。这主要是因为当隐藏单元数量大于一定阈值时，模型复杂度和计算难度大大增加，从而增加了预测误差。当隐藏单元数量为64时，RMSE误差值最小，因此在实验中将LSTM模型与GRU模型中的隐藏单元数量设置为64。