《表1 三种模型测试精度与相对误差》

  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

《基于随机森林算法的恩施市用水量预测》

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

图1和表1分别为RF算法计算得到训练样本和测试样本的预测结果。为比较算法优越性，另使用RBF、SVM实施建模预测。依图1可知，3种不同算法均能够较好拟合用水量变化，对训练样本各年份用水量预测的相对误差介于-0.372亿m3～0.464亿m3之间，表明训练模型精度可靠。2000年～2010年恩施市用水量总体呈上升趋势，而于2003年用水量较之于往常年份有所降低，对这种局部异常（图1-a、1-b），SVM和RBF算法未能准确模拟，RF模型则能够通过各解释变量变化特征捕捉到这一细节变化。训练模型统计显示，RF、SVM、RBF训练模型的平均绝对误差依次为0.78%、0.89%、0.67%。测试结果表明，基于RF的预测结果最优，其平均绝对误差仅为0.94%，而基于SVM和RF的预测结果的平均绝对误差分别为1.15%、1.58%。综合来看，基于RF的用水量预测模型精度高、预测效果良好，能够适用于用水量预测建模。