CN112201361A - 一种基于lstm模型的covid-19疫情预测方法 - Google Patents
一种基于lstm模型的covid-19疫情预测方法 Download PDFInfo
- Publication number
- CN112201361A CN112201361A CN202010904045.7A CN202010904045A CN112201361A CN 112201361 A CN112201361 A CN 112201361A CN 202010904045 A CN202010904045 A CN 202010904045A CN 112201361 A CN112201361 A CN 112201361A
- Authority
- CN
- China
- Prior art keywords
- model
- epidemic situation
- lstm
- covid
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明属于医学人工智能领域,尤其是涉及一种基于LSTM模型的COVID‑19疫情预测方法。一种基于LSTM模型的COVID‑19疫情预测方法,包括以下步骤:S1、获取目标地区的疫情数据作为样本数据,所述样本数据至少包括每日累计确诊人数,将样本数据分割为输入量和输出量,所述输入量包括前T天的累计确诊人数、和依据样本数据中的其他数据进行计算得出的参数值,所述输出量为第T+1天的累计确诊人数。本发明提供了一种通过收集已有疫情数据作为样本、以当地前几天的累计确诊人数和相关参数(接触系数、治愈率、死亡率)作为输入,预测当地未来一段时间内的累计确诊人数的、基于LSTM模型的COVID‑19疫情预测方法。
Description
技术领域
本发明属于医学人工智能领域,尤其是涉及一种基于LSTM模型的COVID-19疫情预测方法。
背景技术
新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19),简称“新冠肺炎”,世界卫生组织命名为“2019冠状病毒病”,是指2019新型冠状病毒感染导致的肺炎。疫情防控除了尽量对患病人群进行全覆盖检测,还需对疫情整体发展趋势进行精准评估,从而才能从宏观上进行科学防控。
针对COVID-19的确诊人数趋势预测,目前为止使用最广泛的是传统的SEIR模型及其变体,结合COVID-19的传播机制和各地区的防控措施修改模型参数,从而完成对当前地区的确诊人数预测。具体为确定拟预测地区的起始日期确诊人数后结合当地的防控政策而阶段性设置模型其它所需参数,从而推算出未来的确诊人数。该模型参数量多,需要针对COVID-19的特殊属性,精准加入更复杂的模型推演,另外,该模型没有利用上疾病在其他地区表现出的发展趋势特征数据。结合以上两点,该种方法最终往往使得预测结果和实际情况有较大出入。
发明内容
本发明所要解决的技术问题是提供一种通过收集已有疫情数据作为样本、以当地前几天的累计确诊人数和相关参数(接触系数、治愈率、死亡率)作为输入,预测当地未来一段时间内的累计确诊人数的、基于LSTM模型的COVID-19疫情预测方法。为此,本发明采用以下技术方案:
一种基于LSTM模型的COVID-19疫情预测方法,包括以下步骤:
S1、获取目标地区的疫情数据作为样本数据,所述样本数据至少包括每日累计确诊人数,将样本数据分割为输入量和输出量,所述输入量包括前T天的累计确诊人数、和依据样本数据中的其他数据进行计算得出的参数值,所述输出量为第T+1天的累计确诊人数;
S2、基于LSTM网络构建COVID-19疫情预测模型,所述疫情预测模型由三个不同时间步长的基础LSTM模型融合而成;
S3、对步骤S1所得的样本数据进行标准化操作,按照步骤S2中的三个时间步长分割出三个LSTM模型的输入值和输出值,以形成三个样本集,并以相同的划分方式分别将三个样本集均划分成训练集合验证集;
S4、将步骤S3所得的三个训练集和三个验证集输入构建的疫情预测模型中,设置模型参数,依次迭代所有样本更新模型参数直至收敛,并保存当前最佳模型,对该模型的输出值进行反标准化处理,得到最终累计确诊人数预测值。
在采用上述技术方案的基础上,本发明还可采用以下进一步的技术方案:
所述步骤S1中的样本数据还包括每日累计治愈人数、累计死亡人数和接触系数,所述步骤S1中的参数值包括每日治愈率、每日死亡率;其中,
所述接触系数是对实际人群接触情况的评估,即为一个人每天的平均接触人数;
所述每日治愈率的计算方式为:
所述每日死亡率的计算方式为:
所述步骤S2中三个不同的时间步长按照由小到大的顺序分别为T1、T2、T3,所述基础LSTM模型均为双层的LSTM模型,三个LSTM模型分别通过一个Dense层后共同进入融合层,所述融合层用于对三个LSTM模型的输出值作加权求和以输出预测结果。
所述模型参数的迭代方法采用梯度下降算法进行优化,以均方误差作为损失函数,当验证损失连续5次未下降时,停止模型迭代,并保存当前最佳模型。其中,梯度下降算法是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降(Gradient Descent)是最常采用的方法之一。而均方误差是反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量,(θ-t)2的数学期望,称为估计量t的均方误差。它等于σ2+b2,其中σ2与b分别是t的方差与偏倚。
进一步地,对于待预测的地区,采集其从最新一天至往前推T1、T2、T3天每日的累计确诊人数、累计治愈人数、累计死亡人数、接触系数,并计算出每天的治愈率、死亡率。例如,以最新一天为节点T,预测第T+1天的累计确诊人数,具体为:以T1为时间步长的LSTM模型的输入为X1=(xT-T1+1,······,xT-1,xT),其中以xT为例,xT=(累计确诊人数T,治愈率T,死亡率T,接触系数T),则输入数据维度为T1×4。以此类推,预测第T+2天的累计确诊人数,输入为X1=(xT-T1+2,······,xT,xT+1),其中以xT+1为例,xT+1=(累计确诊人数T+1,治愈率T+1,死亡率T+1,接触系数T+1),此时治愈率T+1,死亡率T+1,接触系数T+1是未知的,其数值可根据传染病学专家的估计值来设定,或将前T1天的平均值作为取值。将X1输入以T1为时间步长的LSTM模型,得到预测值Y1。同理构建X2输入以T2为时间步长的LSTM模型得到预测值Y2,构建X3输入以T3为时间步长的LSTM模型得到预测值Y3,模型最后对Y1、Y2、Y3加权求和,输出第T+1天的最终预测结果。
进一步地,基于LSTM的COVID-19疫情预测模型训练过程如下:
选择累计确诊人数趋于稳定的地区,采集其从疫情发展初期到得到基本控制后这段时间内每日的累计确诊人数、累计治愈人数、累计死亡人数、接触系数等指标数据。根据累计确诊人数和累治愈人数、累计死亡人数,计算每日治愈率、死亡率。假设有N天的数据,则样本维度为N×4。
对N×4的样本进行标准化操作,构成最终样本。
分别以时间步长T1、T2、T3分割样本得到输入量和标签,区别在于输入的数据不一致,但标签一致。具体为:
1)取T1、T2、T3中的最大值T3作为时间步长,则N×4维的样本可分割成的输入为(x1/x2/······/xT3,x2/x3/······/xT3+1,······,xN-T3/xN-T3+1/······/xN-1),对应标签为(y1,y2,······,yN-T3),其中x1=(累计确诊人数1,治愈率1,死亡率1,接触系数1),y1=累计确诊人数2;x2=(累计确诊人数2,治愈率2,死亡率2,接触系数2),,y2=累计确诊人数3;以此类推。构成样本集1。
2)取T1作为时间步长,则N×4维的样本可分割成的输入为(xT3-T1+1/xT3-T1+2/······/xT3,xT3-T1+2/xT3-T1+3/······/xT3+1,······,xN-T1/xN-T1+1/······/xN-1),标签仍为(y1,y2,······,yN-T3)。构成样本集2。
3)取T2作为时间步长,则N×4维的样本可分割成的输入为(xT3-T2+1/xT3-T2+2/······/xT3,xT3-T2+2/xT3-T2+3/······/xT3+1,······,xN-T2/xN-T2+1/······/xN-1),标签仍为(y1,y2,······,yN-T3)。构成样本集3。
以相同的随机种子分别将样本集1、2、3分割成训练集和验证集,最终形成训练集1、2、3和验证集1、2、3。可知,训练集1、2、3的输出值一致,输入量不一致;验证集1、2、3的输出值一致,输入量不一致。
将训练集和验证集输入构建的模型中,设置模型参数。当验证损失连续5次未下降时,停止模型迭代,并保存当前最佳模型,用于后续测试。
与现有技术相比,本发明具有以下有益效果:
(1)本发明采用基于LSTM模型的方法,考虑了COVID-19疫情的时序特征,并结合了每日治愈率、死亡率和接触系数,在跟踪当前疫情相关特征信息的同时充分利用了历史信息,使得预测精度有了较大提升。
(2)本发明提供的基于LSTM模型的COVID-19疫情预测方法以双层LSTM网络模型为基础,融合了不同尺度时间的预测,减轻了模型的过拟合程度,提高了模型的泛化能力。
附图说明
图1为本发明一种基于LSTM模型的COVID-19疫情预测方法的流程示意图。
具体实施方式
结合附图,对本发明提供的一种基于LSTM模型的COVID-19疫情预测方法作进一步说明。
实施例一,如图1所示,种基于LSTM模型的COVID-19疫情预测方法,包括以下步骤:
阶段1:数据的接收与预处理
数据为我国自2020年1月20日至2020年3月31日期间每日的全国COVID-19疫情数据,包括全国每日累计确诊人数、累计治愈人数、累计死亡人数、接触系数等指标数据,共计73例。
根据累计确诊人数和累计治愈人数、累计死亡人数,计算每日治愈率、死亡率。
通过对实际人群接触情况(一个人每天的平均接触人数)的评估,确定每日接触系数,例如正常情况下一个人每天平均接触15个人,而采取限制出行等防控措施后,该数值降为3。
经过上述预处理后,得到维度为73行4列的数据。对该数据进行标准化处理,得到维度同样为73行4列的样本数据。
阶段2:训练样本的构建
分别以时间步长3、4、5分割上述样本得到输入量和对应输出值,区别在于输入的数据不一致,但输出值一致。具体为:
1)按时间步长5,则73×4维的样本分割成的输入为(x1/x2/······/x5,x2/x3/······/x6,······,x68/x69/······/x72),对应标签为(y1,y2,······,y68),其中x1=(累计确诊人数t1,治愈率t1,死亡率t1,接触系数t1),y1=累计确诊人数t2;x2=(累计确诊人数t2,治愈率t2,死亡率t2,接触系数t2),y2=累计确诊人数t3;以此类推。构成样本集1。
2)按时间步长4,则73×4维的样本分割成的输入为(x2/x3/x4/x5,x3/x4/x5/x6,······,x69/x70/x71/x72),输出值仍为(y1,y2,······,y68)。构成样本集2。
3)按时间步长3,则73×4维的样本分割成的输入为(x3/x4/x5,x4/x5/x6,······,x70/x71/x72),输出值仍为(y1,y2,······,y68)。最终形成样本集3。
设置相同的随机种子分别将样本集1、2、3分割成训练集和验证集,最终形成训练集1、2、3和验证集1、2、3。可知,训练集1、2、3的输出值一致,输入量不一致;验证集1、2、3的输出值一致,输入量不一致。
阶段3:COVID-19疫情预测模型的构建
COVID-19疫情预测模型结构为3个基础LSTM模型的融合。以不同的时间步长3、4、5,构建3个2层的LSTM模型,对3个模型的输出各自赋予一个权重(权重是模型可训练参数),权重和为1,最后对3个输出值加权求和作为最终预测结果。
LSTM(Long Short-Term Memory),长短期记忆网络,是一种特殊的循环神经网络,它采用独特的设计避免一般循环神经网络中存在的长期依赖问题,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM算法在人工智能之机器学习、语音识别、图像识别、预测疾病、合成音乐等领域都有着广泛应用。
本发明采用的模型结构以双层LSTM网络模型为基础,融合了3个尺度时间的预测,在一定程度上提高了模型预测精度,并增强了泛化能力。
具体的,3个LSTM模型中,每层的神经元个数为4,且在最后都添加一个神经元个数为1的Dense(全连接)层实现维度转换,即将模型最后一个LSTM层输出的向量转换成输出向量的维度。
接下来,利用阶段2构建的训练集对构建的COVID-19疫情预测模型进行训练。
训练时,以3为时间步长的LSTM模型的输入为训练集3,以4为时间步长的LSTM模型的输入为训练集2,以5为时间步长的LSTM模型的输入为训练集1,每个训练集中的样本输出值对应相同。
具体的,每个LSTM模型单次训练时的输入数据维度为batch_size×T×4,其中batch_size为训练时的batch尺寸,T为当前LSTM模型采用的时间步长。输出数据维度为batch_size×1。
设置模型参数:迭代次数为30次,优化算法为Adam,激活函数为双曲正切函数,单次训练batch尺寸为5,学习率为初始值等于0.001的衰减学习率。当验证损失连续5次未下降时,停止模型迭代,训练完成,保存当前最佳模型,用于后续测试。
预测时,例如预测某国未来的疫情趋势。采集其从最新一天至往前推5天的每日累计确诊人数、累计治愈人数、累计死亡人数、接触系数,并计算出每天的治愈率、死亡率。
具体地,以当前天为节点t,预测第t+1天的累计确诊人数,具体为:以3为时间步长的LSTM模型的输入为X1=(xt-2,xt-1,xt),其中以xt为例,xt=(累计确诊人数t,治愈率t,死亡率t,接触系数t)。以此类推,预测第t+2天的累计确诊人数,输入为X1=(xt-1,xt,xt+1),其中以xt+1为例,xt+1=(累计确诊人数t+1,治愈率t+1,死亡率t+1,接触系数t+1),此时治愈率t+1,死亡率t+1,接触系数t+1是未知的,其数值可根据传染病学专家的估计值来设定,或将前3天该指标的平均值作为取值。将X1输入以3为时间步长的LSTM模型,得到预测值Y1。同理构建X2输入以4为时间步长的LSTM模型得到预测值Y2,构建X3输入以5为时间步长的LSTM模型得到预测值Y3,模型最后对Y1、Y2、Y3加权求和,输出第t+1天的最终预测结果。
特别的,由于训练数据在输入模型之前经过标准化处理,因此对模型输出需要经过反标准化操作,得到真实量纲的结果。
基于LSTM模型的COVID-19疫情预测方法,考虑了COVID-19疫情的时序特征,并结合了每日治愈率、死亡率和接触系数,在跟踪当前疫情相关特征信息的同时充分利用了历史信息,使得预测精度有了较大提升。模型结构以双层LSTM网络模型为基础,融合了不同尺度时间的预测,减轻了模型的过拟合程度,提高了模型的泛化能力。
虽然本发明已通过参考优选的实施例进行了图示和描述,但是,本专业普通技术人员应当了解,在权利要求书的范围内,可作形式和细节上的各种各样变化。
Claims (6)
1.一种基于LSTM模型的COVID-19疫情预测方法,其特征在于包括以下步骤:
S1、获取目标地区的疫情数据作为样本数据,所述样本数据至少包括每日累计确诊人数,将样本数据分割为输入量和输出量,所述输入量包括前T天的累计确诊人数、和依据样本数据中的其他数据进行计算得出的参数值,所述输出量为第T+1天的累计确诊人数;
S2、基于LSTM网络构建COVID-19疫情预测模型,所述疫情预测模型由三个不同时间步长的基础LSTM模型融合而成;
S3、对步骤S1所得的样本数据进行标准化操作,按照步骤S2中的三个时间步长分割出三个LSTM模型的输入值和输出值,以形成三个样本集,并以相同的划分方式分别将三个样本集均划分成训练集合验证集;
S4、将步骤S3所得的三个训练集和三个验证集输入构建的疫情预测模型中,设置模型参数,依次迭代所有样本更新模型参数直至收敛,并保存当前最佳模型,对该模型的输出值进行反标准化处理,得到最终累计确诊人数预测值。
3.根据权利要求1所述的一种基于LSTM模型的COVID-19疫情预测方法,其特征在于所述步骤S2中三个不同的时间步长按照由小到大的顺序分别为T1、T2、T3,所述基础LSTM模型均为双层的LSTM模型,三个LSTM模型分别通过一个Dense层后共同进入融合层,所述融合层用于对三个LSTM模型的输出值作加权求和,即对三个模型的输出各自乘以一个权重,三个权重的和为1,最后将三个乘以权重后的值的和作为最终预测结果。
4.根据权利要求3所述的一种基于LSTM模型的COVID-19疫情预测方法,其特征在于所述三个LSTM模型的输出值各被赋予一个权重,三个权重和为1;所述权重为模型可训练参数。
5.根据权利要求1所述的一种基于LSTM模型的COVID-19疫情预测方法,其特征在于所述模型参数的迭代方法采用梯度下降算法进行优化,以均方误差作为损失函数,当验证损失连续5次未下降时,停止模型迭代,并保存当前最佳模型。
6.根据权利要求1所述的一种基于LSTM模型的COVID-19疫情预测方法,其特征在于所述样本数据未知时,该样本数据采用估计值、或前T1天的平均值为取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904045.7A CN112201361A (zh) | 2020-09-01 | 2020-09-01 | 一种基于lstm模型的covid-19疫情预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904045.7A CN112201361A (zh) | 2020-09-01 | 2020-09-01 | 一种基于lstm模型的covid-19疫情预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112201361A true CN112201361A (zh) | 2021-01-08 |
Family
ID=74005209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904045.7A Pending CN112201361A (zh) | 2020-09-01 | 2020-09-01 | 一种基于lstm模型的covid-19疫情预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201361A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992373A (zh) * | 2021-03-10 | 2021-06-18 | 山东大学 | 一种传染病的流行趋势预判方法及系统 |
CN113674870A (zh) * | 2021-04-15 | 2021-11-19 | 辽宁石油化工大学 | 基于长短期记忆网络lstm模型的新冠病毒传播预测方法 |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN114596966A (zh) * | 2022-01-11 | 2022-06-07 | 南京邮电大学 | 一种面向流行病智能监测系统的疫情预测分析方法及系统 |
WO2022160370A1 (zh) * | 2021-01-29 | 2022-08-04 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN115862888A (zh) * | 2023-02-17 | 2023-03-28 | 之江实验室 | 传染病感染情况预测方法、系统、设备及存储介质 |
RU2805263C1 (ru) * | 2023-07-25 | 2023-10-13 | Федеральное государственное бюджетное учреждение дополнительного профессионального образования "Центральная государственная медицинская академия" Управления делами Президента Российской Федерации (ФГБУ ДПО "ЦГМА") | Способ прогнозирования наступления смерти у больных COVID-19 в возрасте 60 лет и старше |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
CN111430035A (zh) * | 2020-03-19 | 2020-07-17 | 医渡云(北京)技术有限公司 | 传染病人数预测方法、装置、电子设备及介质 |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111462919A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院软件研究所 | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
-
2020
- 2020-09-01 CN CN202010904045.7A patent/CN112201361A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
CN111430035A (zh) * | 2020-03-19 | 2020-07-17 | 医渡云(北京)技术有限公司 | 传染病人数预测方法、装置、电子设备及介质 |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111462919A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院软件研究所 | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022160370A1 (zh) * | 2021-01-29 | 2022-08-04 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN112992373A (zh) * | 2021-03-10 | 2021-06-18 | 山东大学 | 一种传染病的流行趋势预判方法及系统 |
CN112992373B (zh) * | 2021-03-10 | 2022-09-16 | 山东大学 | 一种传染病的流行趋势预判方法及系统 |
CN113674870A (zh) * | 2021-04-15 | 2021-11-19 | 辽宁石油化工大学 | 基于长短期记忆网络lstm模型的新冠病毒传播预测方法 |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN114596966A (zh) * | 2022-01-11 | 2022-06-07 | 南京邮电大学 | 一种面向流行病智能监测系统的疫情预测分析方法及系统 |
CN114596966B (zh) * | 2022-01-11 | 2024-04-19 | 南京邮电大学 | 一种面向流行病智能监测系统的疫情预测分析方法及系统 |
CN115862888A (zh) * | 2023-02-17 | 2023-03-28 | 之江实验室 | 传染病感染情况预测方法、系统、设备及存储介质 |
RU2805263C1 (ru) * | 2023-07-25 | 2023-10-13 | Федеральное государственное бюджетное учреждение дополнительного профессионального образования "Центральная государственная медицинская академия" Управления делами Президента Российской Федерации (ФГБУ ДПО "ЦГМА") | Способ прогнозирования наступления смерти у больных COVID-19 в возрасте 60 лет и старше |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112201361A (zh) | 一种基于lstm模型的covid-19疫情预测方法 | |
CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
de Freitas | Bayesian methods for neural networks | |
Pasini | Artificial neural networks for small dataset analysis | |
Dangare et al. | A data mining approach for prediction of heart disease using neural networks | |
Yang et al. | Forecasting overall pavement condition with neural networks: Application on Florida highway network | |
Raissi et al. | On parameter estimation approaches for predicting disease transmission through optimization, deep learning and statistical inference methods | |
Betechuoh et al. | Autoencoder networks for HIV classification | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
US5448684A (en) | Neural network, neuron, and method for recognizing a missing input valve | |
Danilin et al. | Determining the fault tolerance of memristorsbased neural network using simulation and design of experiments | |
CN114611384A (zh) | 基于图神经网络的医学知识图谱节点重要性评估方法 | |
CN113821724A (zh) | 一种基于时间间隔增强的图神经网络推荐方法 | |
CN112784479A (zh) | 一种洪水流量预测的方法 | |
Sun et al. | Time pattern reconstruction for classification of irregularly sampled time series | |
Yi et al. | Minimum description length criterion for modeling of chaotic attractors with multilayer perceptron networks | |
CN113077901B (zh) | 一种电子病历分析装置和方法 | |
Sharma et al. | A road map to artificial neural network | |
Astafyev et al. | Neural network system for medical data approximation | |
CN113744889A (zh) | 基于神经网络的传染病预测方法、系统、设备及存储介质 | |
Ramlall | Artificial intelligence: neural networks simplified | |
CN111476340A (zh) | 一种区块链网络中数字权益证明的处理方法、终端及存储介质 | |
Wong et al. | Combining the performance strengths of the logistic regression and neural network models: a medical outcomes approach | |
Ekle et al. | A machine learning model and application for heart disease prediction using prevalent risk factors in Nigeria |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |