《表3 模型预测效果对比：基于LSTM网络的盗窃犯罪时间序列预测研究》

  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LSTM网络的盗窃犯罪时间序列预测研究》

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

将平稳后的训练集中所有的特征进行归一化处理，转化为适用于LSTM模型训练的数据集，并输入LSTM模型，通过Adam优化方法经过多次分析测试，分别得到训练后的模型1、模型2、模型3。模型1的参数步数设置为1，隐藏层单元数为15，神经元个数为1；模型2的参数步数设置为1，隐藏层单元数为20，神经元个数为2；模型3的参数步数设置为1，隐藏层单元数为15，神经元个数为1。拟合结果如图3所示，虚线前的日期为训练集，虚线后的日期为测试集。在训练集中，LSTM模型较好地捕捉了盗窃犯罪案件数量的波动，拟合效果较好。将测试集结果输入LSTM模型进行性能评估，结果如表3所示。模型1、模型2的预测性能评估指标PRMSE分别为18.4%、11.7%，表明测试结果较好。模型3的测试集每日案件数量随时间波动较大，预测性能评估指标PRMSE为41.9%，表明LSTM模型在对波动较大的盗窃犯罪案件数据进行预测时，结果存在一定的影响。