《表1 ARIMA(2,1,2)×(0,1,2)12和小波神经网络的MAPE》
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ARIMA乘积季节模型和小波神经网络的全国铁路客运量分析》
两种方法的MAPE结果如表1所示。
| 图表编号 | XD00223313100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.10 |
| 作者 | 刘阳、纪跃芝 |
| 绘制单位 | 长春工业大学数学与统计学院、长春工业大学数学与统计学院 |
| 更多格式 | 高清、无水印（增值服务） |
提示：宽带有限、当前游客访问压缩模式
相关图表
- 《表2 ARIMA(2,1,2)×(0,1,2)12模型对2020年客运量的预测值》2020.10.10
- 《表3 ARIMA(1,0,1)(1,1,1)12模型参数估计》2021.01.15
- 《表1 均值滤波和小波滤波不同方位的测试数据》2021.01.25
- 《表3 ARIMA模型的MAPE》2021.02.25
- 《表3 ARIMA(0,0,3）×（0,1,2)12对2019年1—6月绍兴市ILI%预测值（%）》2020.04.10
- 《表1 ARIMA(2,1,1)(0,1,1)12模型参数估计》2019.11.15
- 《表2 ARIMA(1,1,1)(0,1,1)12的参数估计与检验》2019.09.10
- 《表3 ARIMA (1, 0, 0) (0, 1, 1) 12模型参数估计》2019.11.25
- 《表1 算法性能对比：基于HOG特征和小波神经网络的自适应人群计数算法研究》2019.08.25
- 《表1 误差分析与评估：基于相似日和小波神经网络的光伏短期功率预测》2019.03.25
- 《表3 ARIMA (2, 0, 0) × (0, 1, 1) 12模型各参数估计值》2019.05.30
- 《表2 肺结核肺结核发病ARIMA (0, 1, 0) (1, 0, 1) 12模型和简单季节模型拟合度检验结果》2019.07.25
- 《表2 用ARIMA (1, 0, 1) × (0, 1, 1) 12模型对2017年下半年数据预测结果》2019.06.01
- 《表3 RIMA (1, 2, 1) , ARIMA (2, 2, 0) , ARIMA (0, 2, 1) 模型的检验结果比较》2019.02.20
- 《表2 模型ARIMA (0, 1, 1) (0, 1, 1) 12对2015年月发病率预测结果》2019.04.28
- 《表1 ARIMA (0, 1, 1) × (0, 1, 1) 12的参数估计》2019.02.28
- 《表1 定量比较：一种基于Retinex算法和小波变换的图像增强方法》2018.09.01
- 《表1 即时通信信号和小波包降噪处理的量化指标》2018.03.20
- 《表2 LS-SVM和小波神经网络对实测噪声建模的比较Tab.2 Comparison of noise modeling by the LS-SVM and wavelet neural networks》2018.08.25
- 《表1 微分进化算法：改进微分进化和小波神经网络的网络流量预测》2019.12.16