CN114596966A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114596966A CN114596966A CN202210027953.1A CN202210027953A CN114596966A CN 114596966 A CN114596966 A CN 114596966A CN 202210027953 A CN202210027953 A CN 202210027953A CN 114596966 A CN114596966 A CN 114596966A
- Authority
- CN
- China
- Prior art keywords
- day
- newly
- model
- dlstm
- predicted
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 201000010099 disease Diseases 0.000 title claims abstract description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 230000007246 mechanism Effects 0.000 claims abstract description 47
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 17
- 208000015181 infectious disease Diseases 0.000 claims description 136
- 230000002458 infectious effect Effects 0.000 claims description 75
- 230000002354 daily effect Effects 0.000 claims description 64
- 230000003203 everyday effect Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 208000025721 COVID-19 Diseases 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012678 infectious agent Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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，包括如下步骤：将感染人数时间序列数据集进行预处理，进行归一化，可以加快梯度下降求最优解的速度，并一定程度上提高精度。之后采用滑动窗口的思想，将数据集进行重新构建，使得时间序列的数据更加明显。之后采用多种模型融合的方法，对LSTM时间序列预测模型进行改进，改进之后的模型称为DLSTM并且和Transformer模型进行融合，同时设置了融合状态机制，对融合最终的权重进行一个动态的调整，来提高模型的泛化性和鲁棒性。根据融合状态机制和模型融合的方法以及DLSTM时间序列预测模型和Transformer模型来预测出疫情的趋势并绘制折线图。
Description
技术领域
本发明属于软件工程领域，具体涉及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。
背景技术
世界各地的研究人员一直在使用现有的数学和统计方法预测疫情的发展，包括随机模拟、对数正态分布、机器学习和人工智能。短期的预测目前主流的方法：1.随机模拟中的SIR模型，一种数学流行病模型；2.使用机器学习中的日期序列的预测模型，这种方法是预测像COVID-19这样的传染病的方法。2020年5月25日，兰州大学发布“全球COVID-19疫情预测系统”这个系统就是基于SIR模型，该系统通过历史数据拟合来确定参数，从而可以对各种情况进行有效地预测，获得更好的预测结果。然而，疫情的情况是复杂的，“全球COVID-19疫情预测系统”模型的预测结果与实际数据存在差异；因此，结果需要进一步修改。许多方法已经被使用来修正预测结果。例如，模拟-动态方法被用于修正天气预报模型。为了修改模型的结果。该模型分析和预测预测结果和真实值(预测残差)之间的差值。该模型拟合历史数据的残差是非平稳和线性的。有许多因素影响着COVID-19大流行传播，如季节性因素对COVID-19大流行传播的影响[5]，以及COVID-19传播的最佳温度的研究。因此在本文中，使用了神经网络模型融合来对病例较少的国家进行新病例的预测。难点在于难以获取这些少数国家的气候数据，以及传统时序模型出现的对较早日期步所包含的信息会逐渐遗忘，所以基于LSTM上改进的时序预测模型DLSTM的基础上融合了常用于文本分类的Transformer模型。通过Transformer模型来改进DLSTM对于季节的自相关性进行相应的处理。
发明内容
本发明的目：为解决现有技术中存在的问题，本发明提供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，针对感染人数较少的国家的疫情感染趋势进行了预测。
技术方案：一种面向流行病智能监测系统的疫情预测分析方法，该方法包括以下步骤：
步骤1：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
步骤2：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数q1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i为1，2，3，…，N；
步骤3：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
步骤4：设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
步骤5：通过融合状态机制对之前预测的感染人数集合a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，并画制预测感染人数折线图。
优选的，对步骤1中采用式(1)对数据集S的每日新增感染人数进行归一化处理：
式中，
是归一化处理之后的第j条每日新增感染人数记录，Sj为时间序列数据集S中第j条每日新增感染人数记录，max(S)和min(S)分别为时间序列数据集S中每日新增感染人数的最大值和最小值，采用式(1)对时间序列数据集S的特征进行归一化处理，将所有的
组成新的
优选的，对归一化之后的时间序列数据集
进行数据集的重新构建，采用了滑动窗口的思想，滑动窗口的大小为30，最后建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数。
优选的，所述步骤2中采用式(2)预测出未来一段时间的每日新增感染人数集合a：
ai＝DLSTM(Qi) (2)
式中，DLSTM()是经过数据集S′训练之后得到的最终DLSTM模型，DLSTM模型对LSTM模型进行了改进，LSTM模型向前传播的时候采用的是求和方式，将其改进为线性层方式，且保持维度不变；
采用式(3)对LSTM模型进行改进：
更新遗忘门：ft＝σ(linear(Wfht-1，Ufxt))
更新输入门：it＝σ(linear(Wiht-1，Uixt))
更新细胞状态：
更新输出门：ht＝σ(linear(Woht-1，Uoxt))*tanh(Ct) (3)
式中，LSTM模型中更新遗忘门的公式采用求和，ft表示遗忘门的状态，it表示输入门的状态，
表示被选值向量，Ct表示细胞状态，ht表示更新门，σ()表示sigmod函数，linear()即为改进的线性层函数，Wf和Uf，Wi和Ui，Wc和Uc，Wo和Uo为原LSTM模型中设置的一个权重，ht-1为t-1时间上的输出，xt为t时间上的输入，tanh()为双曲正切函数。
优选的，所述步骤3中，采用了模型融合中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式进行融合，该融合模型称为Dlstm_transformer模型，采用式(4)预测出未来一段时间的每日新增感染人数集合b：
bi＝Dlstm_transformer(Pi) (4)
上述Dlstm_transformer()是经过数据集S′训练之后得到的最终Dlstm_transformer模型。
优选的，所述步骤4中，融合状态机制需要对模型的误差进行计算，对数据集S′分割为测试集S″以及验证集M，验证集M是数据集S′最后3条记录，测试集S″是数据集S′除去验证集M剩下的记录，通过测试集S″训练，验证集M进行预测，通过重新训练的DLSTM模型和Dlstm_transformer模型得到每日新增感染人数集合a′和b′；
对a′进行相对误差的计算，计算的步骤为：
Relative_errora′＝|sum(Resulta′)-sum(Resulttruth)|/sum(Resulttruth) (5)
式中sum()是对一个时间段的预测感染人数求和，Resulta′是a′的数据，Resulttruth是验证集M的标签数据，Relative-errora′是通过Dlstm_transformer模型计算出的相对误差；
对b′进行相对误差的计算，计算的步骤为：
Relative_errorb′＝|sum(Resultb′)-sum(Resulttruth)|/sum(Resulttruth) (6)
式中，sum()是对一个时间段的预测感染人数求和，Resultb′是b′的数据，Resulttruth是验证集M的标签数据，Relative_errorb′是通过Dlstm_transformer模型计算出的相对误差；
将Relative_errora′和Relative_errorb′输入到融合状态机制中，计算融合状态的值，融合状态初始值为0，如果a′预测的感染人数总和差值大于30％，且小于60％，或者大于60％且b′预测的感染人数总和差值小于1％，融合状态设为1；如果a′预测的感染人数总和差值大于60％，融合状态设为2；
根据融合状态值的不同，分别配置不同的权重值，通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，采用公式(7)进行融合：
ci＝xj*ai+yj*bi (7)
式中，所有ci组成集合c，i为1，2，3，…N，xj和yj是根据融合状态机制的设置的不同的权重值，xj+yj＝1，且j的取值为0，1，2。
本发明还提出一种面向流行病智能监测系统的疫情预测分析系统，该系统包括如下模块：
预处理模块：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
DLSTM模块：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数a1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i取值为1，2，3，…，N；
Dlstm_transformer模块：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
融合状态模块：具体如图2所示，设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
修正模块：通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c；
显示模块：根据修正的结果，将预测的数据画出折线图。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)针对疫情的预测，提出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。该方法将历史的疫情感染人数样本作为数据集，采用滑动窗口的思想，将数据集重新构建。以便模型获得更好的时间特征。
(2)本发明设计的面向流行病智能监测系统的疫情预测分析方法中，融合了DLSTM模型和Transformer模型的特点。该方法首先通过DLSTM模型，可以学到关于日期序列中各个观测值之间的依赖性，之后由于DLSTM模型自身的局限性，DLSTM的cell state矩阵维度是固定的，他只能容纳一定的信息，当给出的序列信息过长，就无法在多层之后还能保存下来。为了将DLSTM模型中重要时间段的特征保留，加入了Transformer模型。
(3)本发明设计的面向流行病智能监测系统的疫情预测分析方法中，设计了融合状态机制，可以是得模型在面对不同的数据集，体现出更好的泛化性和鲁棒性。
(4)本发明设计的面向流行病智能监测系统的疫情预测分析方法结构简单，时间复杂度低。
附图说明
图1是本发明所设计面向流行病智能监测系统的疫情预测分析方法的流程示意图；
图2是融合状态机制方法的流程示意图。
具体实施方式
现结合附图和实施例进一步阐述本发明的技术方案。
如图1所示，本发明的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，该方法将历史的疫情感染人数样本作为数据集，采用滑动窗口的思想，将数据集重新构建。以便模型获得更好的时间特征。融合了DLSTM模型和Transformer模型的特点。该方法首先通过DLSTM模型，可以学到关于日期序列中各个观测值之间的依赖性，之后由于DLSTM模型自身的局限性，DLSTM的cell state矩阵维度是固定的，他只能容纳一定的信息，当给出的序列信息过长，就无法在多层之后还能保存下来。为了将DLSTM模型中重要时间段的特征保留，加入了Transformer模型。设计了融合状态机制，可以是得模型在面对不同的数据集，体现出更好的适用性和扩展性。
具体的，本发明提出一种面向流行病智能监测系统的疫情预测分析方法，该方法包括以下步骤：
步骤1：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
步骤2：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数a1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i为1，2，3，…，N；
步骤3：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
步骤4：设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
步骤5：通过融合状态机制对之前预测的感染人数集合a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，并画制预测感染人数折线图。
其中，对步骤1中采用式(1)对数据集S的每日新增感染人数进行归一化处理：
式中，
是归一化处理之后的第j条每日新增感染人数记录，Sj为时间序列数据集S中第j条每日新增感染人数记录，max(S)和min(S)分别为时间序列数据集S中每日新增感染人数的最大值和最小值，采用式(1)对时间序列数据集S的特征进行归一化处理，将所有的
组成新的
其中，对归一化之后的时间序列数据集
进行数据集的重新构建，采用了滑动窗口的思想，滑动窗口的大小为30，最后建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数。
其中，所述步骤2中采用式(2)预测出未来一段时间的每日新增感染人数集合a：
ai＝DLSTM(Qi) (2)
式中，DLSTM()是经过数据集S′训练之后得到的最终DLSTM模型，DLSTM模型对LSTM模型进行了改进，LSTM模型向前传播的时候采用的是求和方式，将其改进为线性层方式，且保持维度不变；
采用式(3)对LSTM模型进行改进：
更新遗忘门：ft＝σ(linear(Wfht-1，Ufxt))
更新输入门：it＝σ(linear(Wiht-1，Uixt))
更新细胞状态：
更新输出门：ht＝σ(linear(Woht-1，Uoxt))*tanh(Ct) (3)
式中，LSTM模型中更新遗忘门的公式采用求和，ft表示遗忘门的状态，it表示输入门的状态，
表示被选值向量，Ct表示细胞状态，ht表示更新门，σ()表示sigmod函数，linear()即为改进的线性层函数，Wf和Uf，Wi和Ui，Wc和Uc，Wo和Uo为原LSTM模型中设置的一个权重，ht-1为t-1时间上的输出，xt为t时间上的输入，tanh()为双曲正切函数。
其中，所述步骤3中，采用了模型融合中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式进行融合，该融合模型称为Dlstm_transformer模型，采用式(4)预测出未来一段时间的每日新增感染人数集合b：
bi＝Dlstm_transformer(Pi) (4)
上述Dlstm_transformer()是经过数据集S′训练之后得到的最终Dlstm_transformer模型。
其中，所述步骤4中，融合状态机制需要对模型的误差进行计算，对数据集S′分割为测试集S″以及验证集M，验证集M是数据集S′最后3条记录，测试集S″是数据集S′除去验证集M剩下的记录，通过测试集S″训练，验证集M进行预测，通过重新训练的DLSTM模型和Dlstm_transformer模型得到每日新增感染人数集合a′和b′；
对a′进行相对误差的计算，计算的步骤为：
Relative_errora′＝|sum(Resulta′)-sum(Resulttruth)|/sum(Resulttruth) (5)
式中sum()是对一个时间段的预测感染人数求和，Resulta′是a′的数据，Resulttruth是验证集M的标签数据，Relative_errora′是通过Dlstm_transformer模型计算出的相对误差；
对b′进行相对误差的计算，计算的步骤为：
Relative_errorb′＝|sum(Resultb′)-sum(Resulttruth)|/sum(Resulttruth) (6)
式中，sum()是对一个时间段的预测感染人数求和，Resultb′是b′的数据，Resulttruth是验证集M的标签数据，Relative-errorb′是通过Dlstm_transformer模型计算出的相对误差；
将Relative_errora′和Relative_errorb′输入到融合状态机制中，计算融合状态的值，融合状态初始值为0，如果a′预测的感染人数总和差值大于30％，且小于60％，或者大于60％且b′预测的感染人数总和差值小于1％，融合状态设为1；如果a′预测的感染人数总和差值大于60％，融合状态设为2；
根据融合状态值的不同，分别配置不同的权重值，通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，采用公式(7)进行融合：
ci＝xj*ai+yj*bi (7)
式中，所有ci组成集合c，i为1，2，3，…N，xj和yj是根据融合状态机制的设置的不同的权重值，xj+yj＝1，且j的取值为0，1，2。
本发明还提出一种面向流行病智能监测系统的疫情预测分析系统，该系统包括如下模块：
预处理模块：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
DLSTM模块：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数a1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i取值为1，2，3，…，N；
Dlstm_transformer模块：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
融合状态模块：具体如图2所示，设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
修正模块：通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c；
显示模块：根据修正的结果，将预测的数据画出折线图。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种面向流行病智能监测系统的疫情预测分析方法，其特征在于，该方法包括以下步骤：
步骤1：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
步骤2：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数a1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i为1，2，3，…，N；
步骤3：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
步骤4：设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
步骤5：通过融合状态机制对之前预测的感染人数集合a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，并画制预测感染人数折线图。
2.根据权利要求1所述的一种面向流行病智能监测系统的疫情预测分析方法，其特征在于：对步骤1中采用式(1)对数据集S的每日新增感染人数进行归一化处理：
式中，
是归一化处理之后的第j条每日新增感染人数记录，Sj为时间序列数据集S中第j条每日新增感染人数记录，max(S)和min(S)分别为时间序列数据集S中每日新增感染人数的最大值和最小值，采用式(1)对时间序列数据集S的特征进行归一化处理，将所有的
组成新的
3.根据权利要求1所述的一种面向流行病智能监测系统的疫情预测分析方法，特征在于：对归一化之后的时间序列数据集
进行数据集的重新构建，采用了滑动窗口的思想，滑动窗口的大小为30，最后建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数。
4.根据权利要求1所述的一种面向流行病智能监测系统的疫情预测分析方法，特征在于：所述步骤2中采用式(2)预测出未来一段时间的每日新增感染人数集合a：
au＝DLSTM(Qi) (2)
式中，DLSTM()是经过数据集S′训练之后得到的最终DLSTM模型，DLSTM模型对LSTM模型进行了改进，LSTM模型向前传播的时候采用的是求和方式，将其改进为线性层方式，且保持维度不变；
采用式(3)对LSTM模型进行改进：
更新遗忘门：ft＝σ(linear(Wfht-1,Ufxt))
更新输入门：it＝σ(linear(Wiht-1,Uixt))
更新细胞状态：
更新输出门：ht＝σ(linear(Woht-1,Uoxt))*tanh(Ct) (3)
式中，LSTM模型中更新遗忘门的公式采用求和，ft表示遗忘门的状态，it表示输入门的状态，
表示被选值向量，Ct表示细胞状态，ht表示更新门，σ()表示sigmod函数，linear()即为改进的线性层函数，Wf和Uf,Wi和Ui,Wc和Uc,Wo和Uo为原LSTM模型中设置的一个权重，ht-1为t-1时间上的输出，xt为t时间上的输入，tanh()为双曲正切函数。
5.根据权利要求1所述的一种面向流行病智能监测系统的疫情预测分析方法，特征在于：所述步骤3中，采用了模型融合中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式进行融合，该融合模型称为Dlstm_transformer模型，采用式(4)预测出未来一段时间的每日新增感染人数集合b：
bi＝Dlstm_transformer(Pi) (4)
上述Dlstm_transformer()是经过数据集S′训练之后得到的最终Dlstm_transformer模型。
6.根据权利要求1所述的一种面向流行病智能监测系统的疫情预测分析方法，特征在于：所述步骤4中，融合状态机制需要对模型的误差进行计算，对数据集S′分割为测试集S″以及验证集M，验证集M是数据集S′最后3条记录，测试集S″是数据集S′除去验证集M剩下的记录，通过测试集S″训练，验证集M进行预测，通过重新训练的DLSTM模型和Dlstm_transformer模型得到每日新增感染人数集合a′和b′；
对a′进行相对误差的计算，计算的步骤为：
Relative_errora′＝|sum(Resulta′)-sum(Resulttruth)|/sum(Resulttruth) (5)
式中sum()是对一个时间段的预测感染人数求和，Resulta′是a′的数据，Resulttruth是验证集M的标签数据，Relative_errora′是通过Dlstm_transformer模型计算出的相对误差；
对b′进行相对误差的计算，计算的步骤为：
Relative_errorb′＝|sum(Resultb′)-sum(Resulttruth)|/sum(Resulttruth) (6)
式中，sum()是对一个时间段的预测感染人数求和，Resultb′是b′的数据，Resulttruth是验证集M的标签数据，Relative_errorb′是通过Dlstm_transformer模型计算出的相对误差；
将Relative_errora′和Relative_errorb′输入到融合状态机制中，计算融合状态的值，融合状态初始值为0，如果a′预测的感染人数总和差值大于30％，且小于60％，或者大于60％且b′预测的感染人数总和差值小于1％，融合状态设为1；如果a′预测的感染人数总和差值大于60％，融合状态设为2；
根据融合状态值的不同，分别配置不同的权重值，通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c，采用公式(7)进行融合：
ci＝xj*ai+yj*bi (7)
式中，所有ci组成集合c，i为1，2，3，…N，xj和yj是根据融合状态机制的设置的不同的权重值，xj+yj＝1，且j的取值为0，1，2。
7.一种面向流行病智能监测系统的疫情预测分析系统，其特征在于：该系统包括如下模块：
预处理模块：对时间序列数据进行预测分析，时间序列数据集S的特征包含日期、截至到该日期累计感染人数、每日新增感染人数，首先采用MinMaxSclar将时间序列数据集中的新增每日感染人数中最大值和最小值进行记录，最后归一化到(-1，1)，将时间序列数据集S中的新增每日感染人数归一化之后，通过滑动窗口创建为新的数据集S′，滑动窗口的大小为30，建立的S′的标签为预测的每日新增感染人数，特征是预测的每日新增感染人数的前30天的每日新增感染人数；
DLSTM模块：采用数据集S′训练DLSTM时间序列预测模型，之后对未来的每日新增感染人数进行预测，首先，利用第1天到第30天的每日新增感染人数作为特征，记作Q1，来预测第31天的每日新增感染人数a1，利用第2天到第31天的每日新增感染人数作为特征，记作Q2，第31天的每日新增感染人数采用预测出的每日新增感染人数a1的值，通过训练完的DLSTM模型进一步预测出第32天的每日新增感染人数记为a2；利用第3天到第32天的每日新增感染人数作为特征，记作Q3，通过训练完的DLSTM模型进一步预测出第33天的每日新增感染人数记为a3，重复N次以得到未来的每日新增感染人数的集合记为a，其中，每个Qi对应得到一个ai，所有的ai组成集合a，i取值为1，2，3，…，N；
Dlstm_transformer模块：采用模型融合方法中的瀑布融合法，将DLSTM时间序列预测模型和Transformer模型作为过滤器前后衔接的方式来进行融合，将融合模型称为Dlstm_transformer模型，采用数据集S′训练Dlstm_transformer时间序列预测模型，之后对未来的每日新增感染人数进行预测；首先，利用第1天到第30天的每日新增感染人数作为特征记作P1，来预测第31天的每日新增感染人数b1，然后利用第2天到第31天的每日新增感染人数作为特征记作P2，第31天的每日新增感染人数采用预测出的每日新增感染人数b1的值，通过训练完的Dlstm_transformer模型进一步预测第32天的每日新增感染人数记为b2；然后利用第3天到第32天的每日新增感染人数作为特征记作P3，通过训练完的Dlstm_transformer模型进一步预测第33天的每日新增感染人数记为b3；重复N次以得到未来的每日新增感染人数的集合记为b，其中，每个Pi对应得到一个bi，所有的bi组成集合b，i为1，2，3，…，N；
融合状态模块：设置融合状态机制，融合状态机制是通过DLSTM模型和Dlstm_transformer模型对已知的每日新增感染人数进行预测，预测结果记为a′和b′，通过融合状态机制和预测的每日新增感染人数的集合a′和b′对加权融合的权重配比进行计算；
修正模块：通过融合状态机制对之前预测的感染人数a和b进行修正，a和b同一天的预测数值通过融合状态机制求得的权重配比进行加权获得最终预测结果集合c；
显示模块：根据修正的结果，将预测的数据画出折线图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027953.1A CN114596966B (zh) | 2022-01-11 | 2022-01-11 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027953.1A CN114596966B (zh) | 2022-01-11 | 2022-01-11 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596966A true CN114596966A (zh) | 2022-06-07 |
| CN114596966B CN114596966B (zh) | 2024-04-19 |
Family
ID=81814072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210027953.1A Active CN114596966B (zh) | 2022-01-11 | 2022-01-11 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596966B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
| CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 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 |
| CN112967811A (zh) * | 2020-12-15 | 2021-06-15 | 广州呼吸健康研究院 | 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 |
| WO2021139336A1 (zh) * | 2020-09-28 | 2021-07-15 | 平安科技（深圳）有限公司 | 疫情防控效果预测方法、装置、服务器及存储介质 |
| WO2021180245A1 (zh) * | 2020-11-02 | 2021-09-16 | 平安科技（深圳）有限公司 | 一种服务器、数据处理方法、装置及可读存储介质 |
-
2022
- 2022-01-11 CN CN202210027953.1A patent/CN114596966B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
| WO2021139336A1 (zh) * | 2020-09-28 | 2021-07-15 | 平安科技（深圳）有限公司 | 疫情防控效果预测方法、装置、服务器及存储介质 |
| WO2021180245A1 (zh) * | 2020-11-02 | 2021-09-16 | 平安科技（深圳）有限公司 | 一种服务器、数据处理方法、装置及可读存储介质 |
| CN112967811A (zh) * | 2020-12-15 | 2021-06-15 | 广州呼吸健康研究院 | 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 |
| CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596966B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| CN110491146B (zh) | 一种基于深度学习的交通信号控制方案实时推荐方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
| CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
| CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
| CN109886387A (zh) | 一种基于门控网络和梯度提升回归的交通时序预测方法 | |
| CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
| CN112784479B (zh) | 一种洪水流量预测的方法 | |
| CN116992779B (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
| Sen | Time series prediction based on improved deep learning | |
| CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN113053536B (zh) | 一种基于隐马尔科夫模型的传染病预测方法、系统和介质 | |
| CN112488399A (zh) | 电力负荷预测方法及装置 | |
| CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
| CN114596966A (zh) | 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 | |
| CN116306229A (zh) | 一种基于深度强化学习和迁移学习电力短期负荷预测方法 | |
| CN113392958B (zh) | 一种模糊神经网络fnn的参数优化及应用方法与系统 | |
| CN115238952A (zh) | 一种Bi-LSTM-Attention的短期电力负荷预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |