基于LSTM模型的气象因素与慢性疾病关系研究

发布时间：2021-06-14 23:44

　　近年来卫生部资料调查显示,心血管和呼吸系统疾病的发病率位于前列,并有逐年升高的趋势。这些慢性疾病通常门诊表现为急性发作,针对该类疾病的预防对诊疗系统具有十分重要的作用。心血管与呼吸系统疾病的产生与复发和连续的气象因素条件有着紧密的联系。过去大量学者针对门诊时间序列进行预测的模型大多为统计模型,其预测误差较大、消耗时间过长,预测效果达不到解决实际问题的要求。而随着机器学习与深度学习的发展,长短期记忆神经网络（Long Short-Term Memory,LSTM）在多因子时间序列预测方面取得了较好的效果。本文研究对象包括气象因素与慢性疾病门诊量两类时序数据,利用LSTM神经网络为基础模型对两者建立预测模型并加以改进。为了更好地挖掘气象与慢性疾病门诊量之间的关联信息,提高短期门诊预测精度,本文针对LSTM神经网络的特征选择效率不高的问题,提出将卷积神经网络（Convolutional Neural Networks,CNN）与LSTM神经网络相融合的预测模型。其中CNN用于接收输入数据、压缩和提取其中的重要特征因素,LSTM用于接收CNN层的输出,提取其中的时间序列特征,最终得到预测结果。... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

甘肃省四地区气象及污染数据时间分布序列图

基于LSTM模型的气象因素与慢性疾病关系研究-16-（c）庆城（d）凉州图3.2甘肃省四地区气象及污染数据时间分布序列图本文选取的甘肃四个地区分别是：白银（中温带半干旱气候）、成县（暖温带半湿润气候）、庆城（温带季风性气候）和凉州（温带大陆性干旱气候），四地的气候分布均具有代表性，如图3.3为甘肃省四地区地理分布图，气象门诊原始数据片段如表3.1所示。位于不同的地理区域，由于存在差异而受到不同气象条件的影响大有不同。其中高血压疾病的发病率对气象变化较为敏感，具体危险因素包括低温和冷暖交替等气候。以庆城为例，其气候夏季高温多雨，冬季寒冷干燥。而在不同PM2.5、PM10浓度水平下，随着PM2.5、PM10浓度水平的增大，各种心血管疾病门诊人数随之增高。图3.3甘肃省四地区地理分布图

甘肃四地区CNN-LSTM高血压门诊量预测图

【参考文献】：
期刊论文
[1]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超.  北京航空航天大学学报. 2019(12)
[2]改进果蝇算法优化CIAO-LSTM网络的时序预测模型[J]. 李春,高飞,王会青.  计算机工程与应用. 2020(11)
[3]基于改进遗传算法的RBF神经网络结构优化研究[J]. 文常保,马文博,刘鹏里.  计算机工程与科学. 2019(05)
[4]基于时空LSTM的OD客运需求预测[J]. 林友芳,尹康,党毅,郭晟楠,万怀宇.  北京交通大学学报. 2019(01)
[5]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖.  电力系统自动化. 2019(08)
[6]改进粒子群算法优化LSTM神经网络的铁路客运量预测[J]. 李万,冯芬玲,蒋琦玮.  铁道科学与工程学报. 2018(12)
[7]基于PF-LSTM网络的高效网络流量预测方法[J]. 李校林,吴腾.  计算机应用研究. 2019(12)
[8]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森.  计算机应用. 2018(11)
[9]2014年影响宁波市上呼吸道疾病门诊量的气象条件分析[J]. 俞科爱,孙仕强,贺天锋,郭建民,胡晓,张晶晶.  卫生研究. 2018(04)
[10]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥.  计算机应用与软件. 2018(04)

博士论文
[1]多变量时间序列的聚类、相似查询与异常检测[D]. 周大镯.天津大学 2009

硕士论文
[1]基于深度学习的风功率预测模型的研究[D]. 张俭.北京交通大学 2019
[2]基于LSTM的关联时间序列预测方法研究[D]. 尹康.北京交通大学 2019
[3]基于GAM模型的气象因素与若干慢性病关系研究[D]. 贾茹阁.兰州交通大学 2019
[4]石家庄地区三种天气敏感性疾病的医疗气象预报[D]. 贾俊妹.兰州大学 2017
[5]上呼吸道感染的气象诱因及预测方法研究[D]. 蒋艳峰.兰州大学 2015



本文编号：3230457