基于长短期记忆网络的COVID-19疫情趋势序列分析预测

发布时间：2022-02-10 07:46

　　循环神经网络（Recurrent Neural Network,RNN）采用叠乘序列处理问题时,容易出现梯度消失或梯度爆炸,而LSTM（long short-term memory）模型当前的单元信息是通过输入门控制之后叠加来解决梯度消失问题。采用机器学习经典神经网络RNN循环神经网络变体长短期记忆网络对2020年2月22日—7月13日爆发的新型冠状病毒（COVID-19）肺炎中新增确诊人数、现有确诊人数、治愈、死亡、累计确诊人数作为趋势进行序列分析预测。RNN循环神经网络正向传播机制通过分配给当前时刻的输入和上一时刻的状态2个输入数据,将2个结果一个拷贝传给下一时刻,一个传给输出层,cell的输出作为输出层的输入进行最后全连接操作。其中将前4项元素作为序列输入值,样本序列长度为14,每个数据输入维度为4,后一项元素作为序列输出值。实验结果表明,LSTM网络适合用于做疫情序列分析预测。 

【文章来源】：沈阳师范大学学报(自然科学版). 2020,38(06)

【文章页数】：7 页

【部分图文】：

短时间序列问题

2）分析原始数据，筛选需要数据：实验采用的数据集为国外某国家在2020年2月22日—2020年7月13日期间爆发的新型冠状病毒（COVID-19）肺炎中新增确诊人数、现有确诊人数、治愈、死亡、累计确诊人数。由于国内疫情数据干扰因素较多，规律不可循，因此使用国外疫情数据。数据集中新增确诊人数、现有确诊人数、治愈、死亡为输入元素X，累计确诊人数为输出元素Y。其中训练集110条，测试集19条。3）数据预处理，并制成数据集（如图9所示）：筛选数据集中必要数据，剔除干扰元素。

长时间序列问题

【参考文献】：
期刊论文
[1]基于PCA-GRU的股票指数预测模型的研究[J]. 刘宁宁,张量.  计算机应用研究. 2020(S1)
[2]新冠肺炎疫情传播建模分析与预测[J]. 盛华雄,吴琳,肖长亮.  系统仿真学报. 2020(05)
[3]修正SEIR传染病动力学模型应用于湖北省2019冠状病毒病（COVID-19）疫情预测和评估[J]. 曹盛力,冯沛华,时朋朋.  浙江大学学报(医学版). 2020(02)
[4]中国新冠肺炎疫情预测建模与理性评估[J]. 金启轩.  统计与决策. 2020(05)
[5]Word2Vec+LSTM多类别情感分类算法优化[J]. 邬明强,邬佳明,辛伟彬.  计算机系统应用. 2020(01)
[6]一种VGGNet的图像风格迁移算法设计与实现[J]. 王婷,李航,胡智.  计算机应用与软件. 2019(11)
[7]深度学习方法研究综述[J]. 高明旭,李靖,朱绪平,常延辉.  中国科技信息. 2019(10)
[8]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)
[9]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理.  计算机应用. 2018(S2)
[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)

硕士论文
[1]基于框图模型的智能变电站继电保护系统可靠性研究[D]. 张婧.天津大学 2018
[2]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[3]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016



本文编号：3618519