循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）采用疊乘序列處理問(wèn)題時(shí),容易出現(xiàn)梯度消失或梯度爆炸,而LSTM（long short-term memory）模型當(dāng)前的單元信息是通過(guò)輸入門控制之后疊加來(lái)解決梯度消失問(wèn)題。采用機(jī)器學(xué)習(xí)經(jīng)典神經(jīng)網(wǎng)絡(luò)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)變體長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)2020年2月22日—7月13日爆發(fā)的新型冠狀病毒（COVID-19）肺炎中新增確診人數(shù)、現(xiàn)有確診人數(shù)、治愈、死亡、累計(jì)確診人數(shù)作為趨勢(shì)進(jìn)行序列分析預(yù)測(cè)。RNN循環(huán)神經(jīng)網(wǎng)絡(luò)正向傳播機(jī)制通過(guò)分配給當(dāng)前時(shí)刻的輸入和上一時(shí)刻的狀態(tài)2個(gè)輸入數(shù)據(jù),將2個(gè)結(jié)果一個(gè)拷貝傳給下一時(shí)刻,一個(gè)傳給輸出層,cell的輸出作為輸出層的輸入進(jìn)行最后全連接操作。其中將前4項(xiàng)元素作為序列輸入值,樣本序列長(zhǎng)度為14,每個(gè)數(shù)據(jù)輸入維度為4,后一項(xiàng)元素作為序列輸出值。實(shí)驗(yàn)結(jié)果表明,LSTM網(wǎng)絡(luò)適合用于做疫情序列分析預(yù)測(cè)。 

【文章來(lái)源】：沈陽(yáng)師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,38(06)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

短時(shí)間序列問(wèn)題

2）分析原始數(shù)據(jù)，篩選需要數(shù)據(jù)：實(shí)驗(yàn)采用的數(shù)據(jù)集為國(guó)外某國(guó)家在2020年2月22日—2020年7月13日期間爆發(fā)的新型冠狀病毒（COVID-19）肺炎中新增確診人數(shù)、現(xiàn)有確診人數(shù)、治愈、死亡、累計(jì)確診人數(shù)。由于國(guó)內(nèi)疫情數(shù)據(jù)干擾因素較多，規(guī)律不可循，因此使用國(guó)外疫情數(shù)據(jù)。數(shù)據(jù)集中新增確診人數(shù)、現(xiàn)有確診人數(shù)、治愈、死亡為輸入元素X，累計(jì)確診人數(shù)為輸出元素Y。其中訓(xùn)練集110條，測(cè)試集19條。3）數(shù)據(jù)預(yù)處理，并制成數(shù)據(jù)集（如圖9所示）：篩選數(shù)據(jù)集中必要數(shù)據(jù)，剔除干擾元素。

長(zhǎng)時(shí)間序列問(wèn)題

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA-GRU的股票指數(shù)預(yù)測(cè)模型的研究[J]. 劉寧寧,張量.  計(jì)算機(jī)應(yīng)用研究. 2020(S1)
[2]新冠肺炎疫情傳播建模分析與預(yù)測(cè)[J]. 盛華雄,吳琳,肖長(zhǎng)亮.  系統(tǒng)仿真學(xué)報(bào). 2020(05)
[3]修正SEIR傳染病動(dòng)力學(xué)模型應(yīng)用于湖北省2019冠狀病毒�。–OVID-19）疫情預(yù)測(cè)和評(píng)估[J]. 曹盛力,馮沛華,時(shí)朋朋.  浙江大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2020(02)
[4]中國(guó)新冠肺炎疫情預(yù)測(cè)建模與理性評(píng)估[J]. 金啟軒.  統(tǒng)計(jì)與決策. 2020(05)
[5]Word2Vec+LSTM多類別情感分類算法優(yōu)化[J]. 鄔明強(qiáng),鄔佳明,辛偉彬.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020(01)
[6]一種VGGNet的圖像風(fēng)格遷移算法設(shè)計(jì)與實(shí)現(xiàn)[J]. 王婷,李航,胡智.  計(jì)算機(jī)應(yīng)用與軟件. 2019(11)
[7]深度學(xué)習(xí)方法研究綜述[J]. 高明旭,李靖,朱緒平,常延輝.  中國(guó)科技信息. 2019(10)
[8]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)
[9]循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[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)

碩士論文
[1]基于框圖模型的智能變電站繼電保護(hù)系統(tǒng)可靠性研究[D]. 張婧.天津大學(xué) 2018
[2]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時(shí)間序列預(yù)測(cè)精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[3]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：3618519