為了對新型冠狀病毒肺炎(COVID-19)傳播趨勢實現(xiàn)更精準的分析與預測,基于傳統(tǒng)的傳染病動力學模型SEIR(susceptible-exposed-infectious-recovered)和長短期記憶(long short-term memory,LSTM)深度學習網絡構建了一種混合模型SEIR-LSTM,結合全國和湖北省的疫情數據進行分析與預測.從實驗結果來看,相較于傳統(tǒng)的機器學習、多項式擬合、普通的SEIR模型和單一的LSTM,所提出的混合模型能取得更高的疫情預測精度.最后給出了對疫情發(fā)展的預測,對疫情防控具有一定的應用價值和社會價值.

【文章頁數】：7 頁

【部分圖文】：

圖1全國疫情發(fā)展趨勢

從全國的數據看（數據來自國家衛(wèi)健委）[3]，現(xiàn)存確診人數在前期快速增長，在2月16日左右到達頂峰后，隨著大量的患者治愈出院，確診病例存量正在慢慢下降，總體呈下降趨勢．2月11日到2月12日確診病例和疑似病例會有一段明顯的上升（圖1），這與臨床診斷方法的改變和應收盡收策略的制定有關....

圖2其他國家疫情發(fā)展趨勢

從數據看我國疫情發(fā)展勢頭已經得到了有效控制，但是國外的疫情出現(xiàn)了爆發(fā)的苗頭（圖2），確診病例正在快速上升．伴隨著輸入性病例的出現(xiàn)，疫情防控形勢依舊嚴峻，在國內疫情基本控制的情況下，要謹防輸入性病例，因此本文結合傳統(tǒng)模型與深度學習結合現(xiàn)有數據對COVID-19疫情發(fā)展進行分析和預測....

圖3SEIR-LSTM模型框架

SEIR-LSTM模型包括3部分（圖3):1)SEIR模塊．與經典的復雜網絡疾病傳播模型susceptibleinfectious(SI）、susceptible-infectious-recovered(SIR）、susceptible-infectious-susceptib....

圖4LSTM的鏈式結構

本文的神經網絡體系結構采用LSTM來捕獲觀測值的動態(tài)時間行為[7].LSTM是一種特殊的RNN，可以解決長期依賴問題，被廣泛應用在對時間序列相關數據的預測．LSTM的鏈式結構如圖4所示[8].LSTM的運算過程：

本文編號：3913565