《表1 神经网络预测结果：基于自组织映射的神经网络轨道客流时序研究》
提示：宽带有限、当前游客访问压缩模式
选取120组数据中61组数据作为测试数据，引入训练后的神经网络仿真，结果如表1所示，实测与预测数值对比如图3所示，不同预测方法绝对误差对比如图4所示。
| 图表编号 | XD00217710300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.14 |
| 作者 | 彭锦韵 |
| 绘制单位 | 重庆交通大学交通运输学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 MAE结果对比：基于图卷积神经网络的地铁客流预测方法》2021.01.01
- 《表7 实验结果数据对比：基于自适应神经网络的时序数据n步预测算法》2019.10.31
- 《表5 实验结果数据对比：基于自适应神经网络的时序数据n步预测算法》2019.10.31
- 《表3 实验结果数据对比：基于自适应神经网络的时序数据n步预测算法》2019.10.31
- 《表2 检测与预测数据：基于自适应神经网络的时序数据n步预测算法》2019.10.31
- 《表1 训练数据：基于自适应神经网络的时序数据n步预测算法》2019.10.31
- 《表3 分类结果对比表：基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法研究》2019.12.25
- 《表1 超参数设置：基于长短期记忆网络的客流预测模型研究》2019.12.10
- 《表1 2种算法比较：基于自组织映射神经网络K-means聚类算法的风电场多机等值建模》2019.08.25
- 《表2 机组风速设置：基于自组织映射神经网络K-means聚类算法的风电场多机等值建模》2019.08.25
- 《表4 聚类中心：基于自组织映射神经网络K-means聚类算法的风电场多机等值建模》2019.08.25
- 《表1 故障数据样本：基于自组织映射神经网络对低压断路器的故障诊断》2019.02.25
- 《表2 故障类型：基于自组织映射神经网络对低压断路器的故障诊断》2019.02.25
- 《表2 BP神经网络参数：基于改进自组织神经网络的遥感图像分类研究》2019.02.28
- 《表1 分类统计表：基于改进自组织神经网络的遥感图像分类研究》2019.02.28
- 《表3 算法结果对比表：基于免疫遗传算法的自组织映射网络应用研究》2018.12.01
- 《表2 算法结果对比表：基于免疫遗传算法的自组织映射网络应用研究》2018.12.01
- 《表1 参数设定表：基于免疫遗传算法的自组织映射网络应用研究》2018.12.01
- 《表1 AFC数据结构：基于朴素贝叶斯轨道交通网络客流分配模型》2018.06.01
- 《表1 有效路径多要素：基于BP神经网络的轨道交通客流分布模型》2018.01.01