《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》
对Res Net-CNN1D模型的各组件进行拆分实验,结果如表1所示.CNN1D与Res Net分别作为挖掘时间与空间特征的组件,由于只能学习到单一的特征信息,预测效果不佳;CNN2D(2)-CNN1D与CNN2D(10)-CNN1D的区别在于二维卷积层的数量不同,10层的效果优于2层,即深层卷积网络能更好地捕捉站点间的空间特征,有利于提升预测精度;CNN2D(10)-CNN1D与Res Net-CNN1D相比,前者没有采用残差网络的结构,实验证明残差结构的加入,有利于模型优化与精度提升.总之,Res Net-CNN1D不仅能融合时空特征信息,深层网络与残差结构的加入,使模型更充分地捕捉间隔遥远站点间的相关性.
图表编号 | XD00227949100 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) |