基于LSTM模型对印度新冠肺炎疫情的预测

自2019年新冠肺炎疫情暴发持续到现在,无论对国家、社会、还是个人都产生了巨大的影响。部分国家及时采取了一些应对措施,但是依然无法完全控制住疫情的传播。目前,机器学习算法被用来预测新冠肺炎疫情的发展。使用长短期记忆(long short-term memory,LSTM)模型对收集到的印度累计确诊病例数据进行分析并预测印度疫情的变化趋势。使用适应性矩估计(adaptive moment estimation,ADAM)算法优化模型使模型参数达到最优值,将均方误差(mean square error,MSE)作为损失函数,不断训练模型后最终得到其准确度为87.49%。使用支持向量机(support vector machine,SVM)模型预测新冠肺炎疫情发展的研究比较广泛,将其与LSTM模型进行对比,利用相同的数据集得出SVM模型预测的准确度为73.25%,对比2组数值发现,在预测印度新冠肺炎疫情上LSTM模型的准确度更高。该方法在一定程度上为预测印度新冠肺炎确诊病例数的研究提供了帮助,有助于人们实时监控印度疫情。

长短记忆神经网络在流行性感冒暴发预测中的应用

目的研究长短记忆神经网络模型(long-short term memory,LSTM)预测未来每周流行性感冒(流感)暴发趋势的可行性,以提高预测精度和工作效率。方法选取2007-2017年深圳市宝安区每周流感发病数,考虑到时间序列数据的自相关性和高频特征,基于深度学习思想构建长短记忆神经网络模型对流感暴发趋势进行预测,并使用5种方法对LSTM模型预测效果进行评估。结果深圳市宝安区流感报告周频率具有随机波动性和周期性特征,通过LSTM神经网络模型能够准确学习时间序列特征并用于外推预测。仿真结果表明,相比ARIMA模型、BP神经网络、小波神经网络(WNN)、广义回归神经网络(GRNN)和动态自回归神经网络(NARX),LSTM神经网络的拟合度更接近实际值,预测精度较高。结论在数据量大和非平稳及周期特征的情况下,深度学习的LSTM神经网络对流感的预测效果更好。