《表2 响应时间预测模型训练与预测性能表》
如图8所示,响应时间模型在拟合目标曲线方面表现最佳。表2的结果表明,本文模型具有最优Loss和MAPE,分别为0.56587和0.01613。对照BP神经网络模型与本文的模型在210 s前具有相似的训练性能(Loss)和测试性能(MAPE)。但是,其效果不能随着时间的推移而改善。基于LSTM的模型在测试数据转折点的误差较大,并且在训练时间超过304 s后停止收敛。由于响应时间数据与时间的关系不明显,LSTM在预测响应时间上没有任何明显的优势。结果表明,本文的响应时间预测模型能够进行很好的响应时间预测。在相对复杂的应用环境中,结构简单的BP神经网络能够更灵活地应对数据的变化需求。并且相对于对照模型使用的Dropout,批标准化能够对使用ReLU激活函数的BP神经网络带来更多的性能效果提升。
图表编号 | XD0068487600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 曹宇、杨军 |
绘制单位 | 华北计算技术研究所基础四部、华北计算技术研究所基础四部 |
更多格式 | 高清、无水印(增值服务) |