《表5 训练时间:基于GRU-RNN模型的城市主干道交通时间预测》
s
从图中可以看出,路段1在0~9点时段流量变化不大,因此预测的精度也较高,误差波动也较为平稳,可以达到预期要求。在10点后流量开始增长,在到达16点后慢慢趋于平稳。可以看出在这段时间中流量变化明显,在误差水平方面也呈现了较大的波动。对路段8,对应的预测结果及误差分布分别如图10、11所示。可见,路段8的交通流量在早晨9点之后进入高峰时段,误差水平也出现了较大波动。在训练速度方面,如图12所示,训练轮数在大约150轮时,GRU-RNN达到了极值,而在训练轮数在大约220轮时,LSTM-RNN才到达极值。基于GRU神经元结构的循环神经网络相比于基于LSTM神经元结构的循环网络在训练阶段能够更快地收敛到极值处。收敛速度快的原因主要在于GRU结构针对LSTM结构的门层设计进行了一些简化,提高了训练的速度,在训练时达到相同训练精度所花费的时间如表5所示,每轮训练时间约为6 s。从图12中看出,基于LSTM的时间序列模型在138~159轮达到目标精度,而基于GRU的时间序列模型在大约123~139轮达到目标精度。
图表编号 | XD0083796800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 张铭坤、王昕 |
绘制单位 | 北京信息科技大学理学院、北京信息科技大学理学院 |
更多格式 | 高清、无水印(增值服务) |