平均绝对误差造句

• 模型参数使用试错法识别，识别过程中最重要的指标是均方差、平均绝对误差、标准均方差和水均衡。
• 结果显示，该模型预测效果明显优于传统的线性自回归预测模型，各月平均的平均绝对误差( mae )和均方误差( rmse )达到41 . 8和55 . 7 。
• 建立了温度24小时提前预测的人工神经网络模型，使得24小时提前逐时温度预测平均绝对误差从改进ashrae计算方法的0 . 6663降低到了0 . 4512 ，平均相对误差从2 . 02降低到了1 . 36 。
• 建立了空调逐时负荷的24小时提前预测多点输出动态模型，更进一步提高了负荷预测的精度，使得逐时负荷预测平均绝对误差降低到了65 . 07kwh ，期望相对误差降低到了2 . 60 。
• 模型结果中，均方差为0 . 7m ，平均误差为- 0 . 045m ，平均绝对误差为0 . 1m ，标准均方差为2 . 3 ，模拟地下水流场与实际观测地下水流场基本一致，说明所建立的数值模型符合该地区的实际水文地质条件。
• 在此过程中，采用平均误差( me ) ，平均绝对误差( mae ) ，插值平均误差平方的平方根( rootmeansquaredinterpolationerror ，简称rmsie ) ，插值前后测站要素值的均方差( meansquaredeviation ,简称msd )差值作为判定插值效果的标准，得出如下结论：通过高斯权重法与结合逐步订正的高斯权重法的对比，说明结合逐步订正方案的高斯权重法可大大提高地面日气温的插值精度；在高斯权重法中加入海拔影响项可以反映出温度随地形高度的变化趋势，同时也能较大地提高地面日气温的空间插值精度，说明在地形复杂的区域，地形影响在插值精度中是不可忽略的；对于高斯权重法的两种改进方案得到的地面日气温分布图都能很好地反映出表面大气气温随地形高度的变化趋势。
• 建立了一个统一的空调逐时负荷的24小时提前人工神经网络预测模型，并根据对日冷负荷类型的som分类结果，通过在内部一共采用8个子神经网络模型使得逐时负荷预测平均绝对误差降低到了80 . 64kwh ，期望相对误差降低到了3 . 27 。

• 平均绝对误差的英语：average absoulute error