《表1 模型预测性能比较：基于ACGRU模型的短时交通流预测》
提示：宽带有限、当前游客访问压缩模式
图6为所有模型对各个观测点的RMSE指标对比，从图中可见，ACGRU模型在16个观测点的预测误差都比基准模型低。
| 图表编号 | XD00222633300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.01 |
| 作者 | 桂智明、李壮壮、郭黎敏 |
| 绘制单位 | 北京工业大学信息学部、北京工业大学信息学部、北京工业大学信息学部 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 成本–效果比分析：基于ARIMA的短时交通量预测模型》2020.07.01
- 《表1 基质沥青性质：基于ARIMA的短时交通量预测模型》2020.07.01
- 《表5 综合得分表：基于ARIMA的短时交通量预测模型》2020.07.01
- 《表2 实验所用仪器：基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法》2020.10.01
- 《表1 数据修约表：基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法》2020.10.01
- 《表4 各类算法误差比较：基于LSTM引入客车占比特征的短时交通流预测》2020.11.01
- 《表4 各类算法误差比较：基于LSTM引入客车占比特征的短时交通流预测》2020.11.01
- 《表1 AFC数据样本：面向数据驱动的城市轨道交通短时客流预测模型》2020.07.01
- 《表1 预测结果评价：改进小波包与长短时记忆组合模型的短时交通流预测》2020.04.01
- 《表1 预测结果对比：基于时延特性建模的多断面短时交通流预测》2020.06.01
- 《表1 8个测试函数表：基于改进灰狼算法优化BP神经网络的短时交通流预测模型》2020.04.01
- 《表1 预测模型结果分析：基于差分数据图和深度学习的短时交通流预测》2020.04.15
- 《表1 预测误差对比：基于短时交通流预测的广域动态交通路径诱导方法》2020.02.01
- 《表4 单位根检验信息：基于时间序列与BP-ANN的短时交通流速度预测模型研究》2019.11.01
- 《表3 历史数据示例：基于时间序列与BP-ANN的短时交通流速度预测模型研究》2019.11.01
- 《表2 实时数据示例：基于时间序列与BP-ANN的短时交通流速度预测模型研究》2019.11.01
- 《表1 轨迹数据示例：基于时间序列与BP-ANN的短时交通流速度预测模型研究》2019.11.01
- 《表1 预测误差结果对比：基于免疫算法优化LSSVM的短时交通流预测》2019.11.01
- 《表1 M值分位点：基于组合模型的城市轨道交通短时客流预测》2019.06.01
- 《表2 模型超参数设置：基于图卷积神经网络和注意力机制的短时交通流量预测》2019.08.01