《表4 预测日各模型预测的评价指标》

  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

《基于数据挖掘的医院建筑电负荷特性分析预测》

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

由表4可知，ANN0相比较于ANN1，MAPE、CV、RMSE分别降低了31.1%、25.1%、25.4%，表明使用相似日样本集作为神经网络的训练样本集对预测准确性有显著改善，这是因为聚类后基于典型样本建立的神经网络针对性更强，局部极小值点更少。ANN0相比较于ANN2，MAPE、CV、RMSE分别降低了29.3%、25.9%、26.2%，表明通过特征参数筛选也可提高预测精度，因为该过程降低了噪声参数对模型训练过程产生的消极影响。ANN0相比较于ANN3，MAPE、CV、RMSE分别降低了39.4%、36.9%、38.1%，表明既不聚类也不进行相关分析的ANN3预测精度最低。综上所述，本文提出的采用聚类分析、相关性理论与神经网络相结合的复合优化模型可以有效地提高医院建筑逐时电负荷的预测精度。