基于BP神经网络的新冠肺炎疫情病例预测模型

自2019年12月以来,新冠肺炎对人们的生活造成了巨大的影响,因此对于每日的新冠肺炎疫情病例的预测对生产生活具有重要意义。基于此,提出了基于麻雀搜索算法优化BP神经网络的模型(SSABP)对每日的新冠肺炎疫情病例进行预测,并与传统BP神经网络预测模型(BP)和灰狼算法优化BP神经网络的预测模型(GWOBP)进行比较。研究结果表明,SSABP预测模型相较于BP和GWOBP预测模型而言,收敛速度更快,精度更高。SSABP预测模型的平均误差为:0.002,BP和GWOBP预测模型的平均误差分别为:0.032和0.025。综上所述,SSA算法优化BP神经网络预测每日新冠肺炎疫情病例的模型是完全可行的,且预测值与实际值能够较好相符。