《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》

  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

《基于混合深度学习的地铁站进出客流量短时预测》

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

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.