《表2 UARS,BP NN,RW,SVM和RBF NN的MAE,MRE和RMSE的性能比较》

  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

《依赖不确定性关联规则的城市交通流大数据挖掘》

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UAR与BP神经网络，随机游走（RW）挖掘方法，支持向量机（SVM）方法和径向基函数（RBF)NN模型的性能进行了比较。在这四种竞争方法中，RW方法是一个简单的基准，可以挖掘将来的流量等于当前的流量（Xt+1=Xt），而NN方法对于流量挖掘具有良好的性能，如第2节所述，并且SVM方法是一种相对高级的挖掘模型。在所有情况下，都使用相同的数据集。表2给出了平均15min的城市交通流大于450辆的高速公路测试数据集的挖掘结果。在表2可以看到，所有4个任务的UAR的平均准确度（1-MRE）都超过93%，并且MAE值较低。这种挖掘准确性是有希望的，可靠的，并且可以与报告的结果相比较。请注意，仅将交通量数据用作挖掘的输入，而没有考虑与交通量有关系的人工工程因素，例如天气条由表2还可以发现，对于交通量的短期挖掘，UAR比件，事故和其他城市交通流参数（密度和速度）。BP NN模型，RW、SVM和RBF NN模型更为准确。对于BP神经网络，挖掘性能相对稳定，从88%～90%。对于RW、SVM和RBF，随着交通流数据的总时间间隔的增加，平均挖掘精度会下降很多。对于15min的流量挖掘，RW，SVM和RBF的平均准确度分别为7.8%、8.0%和7.4%。但是，对于60min的流量挖掘，RW、SVM和RBF的平均准确性分别大幅下降至22.3%、22.1%和26.4%。与BP神经网络相比，UAR的最大平均挖掘准确度提高了4.8%，与RW相比超过16%，与SVM相比超过15%，与RBF相比超过20%。