《表3 各模型的预测效率比较》

  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CNN-GRU的菇房多点温湿度预测方法研究》

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

表3为各模型的预测效率比较。由表3可知，CNN-GRU模型的耗时比结构较简单的BP模型长，但模型损失值与其相比降低了18.18%，预测精度更好。由于CNN局部连接和权值共享的特性，在捕捉高层次特征的同时可由池化层特征降维，减少参数，CNN-GRU模型相比LSTM模型和GRU模型的训练时间明显缩短，并且模型的损失值更低，预测效果更好，损失值较LSTM模型和GRU模型均降低了10%。结果表明，CNN-GRU对于复杂多变的出菇房小气候环境数据有着很好的适应能力，同时模型的运行效率也得到了提升。