与thc传统基于安的预测员比较，提出的方法允许我们达到二主要improvcments。 它保证更好的准确性并且是更加可靠的。 其中一主要障碍在大厦可靠基于安的预测员在他们有限的能力在外推被塑造的关系在训练数据领域之外。 有很可能输入变数的一些价值在这个领域外面将导致非常错误展望。 这种现象严肃很大地取决于神经网络设计。 网络以许多输入变数或吨许多暗藏的神经元，提供好准确性为典型的情况，比节俭被设计的网络是易受这样行为。 提出的算法缓和这个问题，因为相对装载增加的每日样式比每日列车速度-重量曲线是果渣反复性。 换句话说，用不同的温度的二天将有不同的装载水平，但相对装载增加他们的曲线将保持相当相似，如被说明在。 1. 这意味着展望准确性不会恶化显着在训练数据未代表的天气情况情况下。 最后，提出的方法lcads对一被改进的rcliability并且到bctter准确性。 要展示这二种方法之间的区别，二位预测员，传统andproposed，被申请了于装载数据从。 1. 每位预测员使用数据被训练了从dav 1。 然后过去常常展望前面20分钟装载为天2。 获得的展望被提出在。 2与实际装载一起。 上部图显示传统预测员导致的展望。 从装载天2的价值是与用于训练的那些不同，这位预测员引起的展望没有道理，并且是完全地不能接受的。 更低的图描述提出的预测员做的展望。 Thesc展望是相当准确的，考虑用于训练的有限的相当数量数据。 这意味着提出的预测员比传统一个可靠。
内容全部来源于网络收集，如有侵权，请联系网站删除：QQ：24596024