《表5 训练时间：基于GRU-RNN模型的城市主干道交通时间预测》

  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GRU-RNN模型的城市主干道交通时间预测》

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

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。