《表1 LSTM模型与W-LSTM模型NO2浓度预测性能比较》
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
《基于信号改进深度学习网络的京津冀城市群二氧化氮浓度预测》
本研究构建的W-LSTM组合模型实质上是运用WD变换对原始数据进行维度拓展,其预测性能与LSTM模型的比较如表1所示。从整体性能来看,W-LSTM模型对京津冀城市群13个城市NO2浓度的预测结果更佳,平均MAPE约为9%,说明W-LSTM模型对京津冀城市群的整体预测结果更加接近真实值。从各城市的预测结果来看,LSTM模型的MAPE均在10%左右,除天津和石家庄以外,该模型的预测稳定性较强。W-LSTM模型对单一城市预测评价指标的MAPE最优低至5.34%,但同时也存在张家口、承德MAPE较高的情况,尤其是承德的MAPE高达14.47%。出现该现象的原因是京津冀城市群整体呈狭长分布,南北各地区污染物浓度水平及分布规律存在明显差别。由于模型对学习训练数据特征的敏感度较低,在充分学习唐山这一类较高污染水平城市的数据特征之后,再使用承德和张家口等较低污染水平城市的数据进行学习,会使预测性能下降。可以认为,W-LSTM模型对不同地区污染数据的泛化能力比LSTM模型弱。然而,W-LSTM模型对京津冀城市群13个城市NO2日均浓度预测结果的MAE明显优于LSTM模型,平均MAE为2.645 8,且各地之间的偏差较小。模型性能的另一评价指标RMSE在两个预测模型中的表现均较为良好,W-LSTM模型以0.462 1的差值优于LSTM模型,说明基于LSTM搭建的W-LSTM组合模型适用于京津冀城市群NO2浓度的预测。
图表编号 | XD00200134700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 宫同伟、张洋、刘炳春 |
绘制单位 | 天津城建大学建筑学院、天津城建大学建筑学院、天津理工大学管理学院 |
更多格式 | 高清、无水印(增值服务) |