《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》
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。
图表编号 | XD00201829000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.10 |
作者 | 张欣环、刘宏杰、施俊庆、毛程远、孟国连 |
绘制单位 | 浙江师范大学道路与交通工程研究中心、西安交通大学电子信息工程学院、浙江师范大学道路与交通工程研究中心、浙江师范大学道路与交通工程研究中心、浙江师范大学道路与交通工程研究中心 |
更多格式 | 高清、无水印(增值服务) |