基于机器学习的乙类传染病预测模型研究与实现

发布时间：2020-12-25 08:53

　　由于传染病的发展趋势尚不清楚,这意味着预测传染病的发病情况并不容易。随着机器学习和深度学习研究的不断深入,尤其是LSTM循环神经网络的大量研究,使得很多难以预测的问题得到了更好的解决。本文通过调研发现还没有将LSTM循环神经网络应用在传染病预测领域的研究。本文将LSTM神经网络应用在传染病预测领域是一次大胆的尝试。通过利用天气数据、经济数据、人口数据等,并将这些数据结合传染病发病个案数据一并进行传染病预测的研究,取得了良好的传染病预测效果。首先通过数据预处理分析现有数据,提取出有用的特征因素,例如,本文通过数据分析可知,影响传染病发病情况除以上所述外还有年龄因素、性别因素、职业因素等等。本文通过ARIMA和LSTM的对比实验发现,预测所有传染病的发病情况时LSTM模型优于ARIMA模型,同时又将所有数据划分为多个时间段的预测,例如,分月预测、分周预测、分日预测,在预测时间段的选择上,本文通过实验发现分周预测的效果是最优的。在预测未来一周的传染病发病情况时,其中LSTM模型的RMSE指标值为188.59,而ARIMA模型的RMSE指标值为336.88。本研究在确定了分周预测效果最优的前提... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

LSTM神经网络结构图

文本分析可视化技术

社交网络分析可视化技术

【参考文献】：
期刊论文
[1]大数据可视分析综述[J]. 任磊,杜一,马帅,张小龙,戴国忠.  软件学报. 2014(09)



本文编号：2937331