《表2 不同分类模型分类结果》

  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

《铁路事故持续时长预测背景下的影响因素分析》

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

为了评估所提的FL-BiGRU模型性能，长短时记忆神经网络（Long Short Term Memory，LSTM）用于对比试验，精度、召回率以及精度和召回率的调和平均数F1分数作为评判标准，同时，为了验证焦点损失函数对少样本类别的修正效果，“人因”样本分类的准确性同样作为评判标准。具体结果见表2。在表2中可以看出，本文提出的FL-BiGRU分类模型在精度，召回率，F1分数的表现性能均优于其他5种模型，且通过比较对少样本类别“人因”的分类准确度，表明与焦点损失相结合的模型在处理少样本类别方面表现更好，验证了FL-BiGRU分类模型对事故致因分类的有效性。