《表2 经典模型对比：基于混合深度学习的地铁站进出客流量短时预测》
提示：宽带有限、当前游客访问压缩模式
注：—表示非神经网络模型，其模型构建不做介绍.
与经典模型对比结果如表2所示，可以发现：
| 图表编号 | XD00227948800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.01 |
| 作者 | 赵建立、石敬诗、孙秋霞、任玲、刘彩红 |
| 绘制单位 | 山东科技大学计算机科学与工程学院、山东科技大学计算机科学与工程学院、山东科技大学数学与系统科学学院、青岛地铁集团有限公司、青岛地铁集团有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 模型组件实验结果：基于混合深度学习的地铁站进出客流量短时预测》2020.10.01
- 《表3 模型对比结果：基于混合深度学习的地铁站进出客流量短时预测》2020.10.01
- 《续表2：基于深度学习的混合主题模型应用》2020.09.20
- 《表2 模型预测误差：基于深度置信网络的互联网流量预测方法》2020.10.15
- 《表3 模型预测效果：基于EMD优化NAR动态神经网络的地铁客流量短时预测模型》2020.11.30
- 《表5 模型结果对比：基于深度学习的综合能源配电系统负荷分析预测》2021.01.31
- 《表4 与经典深度学习网络模型提取精度对比》2020.12.01
- 《表4 模型预测结果对比：基于深度学习的桥梁健康监测数据有效性分析》2021.03.01
- 《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 仿真结果：基于混合神经网络深度学习的短期负荷预测》2020.04.25
- 《表1 使用的数据对比：基于时空节点选择和深度学习的城市道路短时交通流预测》2020.05.10
- 《表1 特征选项：基于深度学习的网络流量异常预测方法》2020.03.15
- 《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3 模型MAPE对比：基于深度学习的短期电力负荷预测》2020.01.01
- 《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
- 《表3 天气数据：基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例》2018.04.01
- 《表4 POI爬虫数据：基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例》2018.04.01
- 《表5 评价结果：基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例》2018.04.01