近年來衛(wèi)生部資料調(diào)查顯示,心血管和呼吸系統(tǒng)疾病的發(fā)病率位于前列,并有逐年升高的趨勢(shì)。這些慢性疾病通常門診表現(xiàn)為急性發(fā)作,針對(duì)該類疾病的預(yù)防對(duì)診療系統(tǒng)具有十分重要的作用。心血管與呼吸系統(tǒng)疾病的產(chǎn)生與復(fù)發(fā)和連續(xù)的氣象因素條件有著緊密的聯(lián)系。過去大量學(xué)者針對(duì)門診時(shí)間序列進(jìn)行預(yù)測(cè)的模型大多為統(tǒng)計(jì)模型,其預(yù)測(cè)誤差較大、消耗時(shí)間過長(zhǎng),預(yù)測(cè)效果達(dá)不到解決實(shí)際問題的要求。而隨著機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的發(fā)展,長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）在多因子時(shí)間序列預(yù)測(cè)方面取得了較好的效果。本文研究對(duì)象包括氣象因素與慢性疾病門診量?jī)深悤r(shí)序數(shù)據(jù),利用LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型對(duì)兩者建立預(yù)測(cè)模型并加以改進(jìn)。為了更好地挖掘氣象與慢性疾病門診量之間的關(guān)聯(lián)信息,提高短期門診預(yù)測(cè)精度,本文針對(duì)LSTM神經(jīng)網(wǎng)絡(luò)的特征選擇效率不高的問題,提出將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）與LSTM神經(jīng)網(wǎng)絡(luò)相融合的預(yù)測(cè)模型。其中CNN用于接收輸入數(shù)據(jù)、壓縮和提取其中的重要特征因素,LSTM用于接收CNN層的輸出,提取其中的時(shí)間序列特征,最終得到預(yù)測(cè)結(jié)果。... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

甘肅省四地區(qū)氣象及污染數(shù)據(jù)時(shí)間分布序列圖

基于LSTM模型的氣象因素與慢性疾病關(guān)系研究-16-（c）慶城（d）涼州圖3.2甘肅省四地區(qū)氣象及污染數(shù)據(jù)時(shí)間分布序列圖本文選取的甘肅四個(gè)地區(qū)分別是：白銀（中溫帶半干旱氣候）、成縣（暖溫帶半濕潤(rùn)氣候）、慶城（溫帶季風(fēng)性氣候）和涼州（溫帶大陸性干旱氣候），四地的氣候分布均具有代表性，如圖3.3為甘肅省四地區(qū)地理分布圖，氣象門診原始數(shù)據(jù)片段如表3.1所示。位于不同的地理區(qū)域，由于存在差異而受到不同氣象條件的影響大有不同。其中高血壓疾病的發(fā)病率對(duì)氣象變化較為敏感，具體危險(xiǎn)因素包括低溫和冷暖交替等氣候。以慶城為例，其氣候夏季高溫多雨，冬季寒冷干燥。而在不同PM2.5、PM10濃度水平下，隨著PM2.5、PM10濃度水平的增大，各種心血管疾病門診人數(shù)隨之增高。圖3.3甘肅省四地區(qū)地理分布圖

甘肅四地區(qū)CNN-LSTM高血壓門診量預(yù)測(cè)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于粒子群優(yōu)化LSTM的股票預(yù)測(cè)模型[J]. 宋剛,張?jiān)品?包芳勛,秦超.  北京航空航天大學(xué)學(xué)報(bào). 2019(12)
[2]改進(jìn)果蠅算法優(yōu)化CIAO-LSTM網(wǎng)絡(luò)的時(shí)序預(yù)測(cè)模型[J]. 李春,高飛,王會(huì)青.  計(jì)算機(jī)工程與應(yīng)用. 2020(11)
[3]基于改進(jìn)遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[J]. 文常保,馬文博,劉鵬里.  計(jì)算機(jī)工程與科學(xué). 2019(05)
[4]基于時(shí)空LSTM的OD客運(yùn)需求預(yù)測(cè)[J]. 林友芳,尹康,黨毅,郭晟楠,萬懷宇.  北京交通大學(xué)學(xué)報(bào). 2019(01)
[5]基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測(cè)方法[J]. 陸繼翔,張琪培,楊志宏,涂孟夫,陸進(jìn)軍,彭暉.  電力系統(tǒng)自動(dòng)化. 2019(08)
[6]改進(jìn)粒子群算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)量預(yù)測(cè)[J]. 李萬,馮芬玲,蔣琦瑋.  鐵道科學(xué)與工程學(xué)報(bào). 2018(12)
[7]基于PF-LSTM網(wǎng)絡(luò)的高效網(wǎng)絡(luò)流量預(yù)測(cè)方法[J]. 李校林,吳騰.  計(jì)算機(jī)應(yīng)用研究. 2019(12)
[8]基于樹結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[9]2014年影響寧波市上呼吸道疾病門診量的氣象條件分析[J]. 俞科愛,孫仕強(qiáng),賀天鋒,郭建民,胡曉,張晶晶.  衛(wèi)生研究. 2018(04)
[10]基于正則化LSTM模型的股票指數(shù)預(yù)測(cè)[J]. 任君,王建華,王傳美,王建祥.  計(jì)算機(jī)應(yīng)用與軟件. 2018(04)

博士論文
[1]多變量時(shí)間序列的聚類、相似查詢與異常檢測(cè)[D]. 周大鐲.天津大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的風(fēng)功率預(yù)測(cè)模型的研究[D]. 張儉.北京交通大學(xué) 2019
[2]基于LSTM的關(guān)聯(lián)時(shí)間序列預(yù)測(cè)方法研究[D]. 尹康.北京交通大學(xué) 2019
[3]基于GAM模型的氣象因素與若干慢性病關(guān)系研究[D]. 賈茹閣.蘭州交通大學(xué) 2019
[4]石家莊地區(qū)三種天氣敏感性疾病的醫(yī)療氣象預(yù)報(bào)[D]. 賈俊妹.蘭州大學(xué) 2017
[5]上呼吸道感染的氣象誘因及預(yù)測(cè)方法研究[D]. 蔣艷峰.蘭州大學(xué) 2015



本文編號(hào)：3230457