《表3 短距离旅行时间预测结果》

  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

《基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测》

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

单位：

对比实验中，针对短、长距离两种场景来预测旅行时间，并从平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和其他方面评估预测结果。短距离场景中，任意两个站点间的距离用于预测输入，其预测结果如表3所示；长距离场景中，起点到终点的距离用于预测输入，其预测结果如表4所示。从实验结果可以看出，LSTM-A在短、长距离预测时都具有更好的性能。在不考虑其他外部影响的情况下，LSTM-A算法在短、长距离到达预测中更接近公交车的实际到达时间，因此其结果更加准确。