一种基于LSTM深度学习网络模型的疫情预测模型.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111968755A(43)申请公布日2020.11.20(21)申请号202010846548.3G06N3/04(2006.01)(22)申请日2020.08.21G06N3/08(2006.01)(71)申请人上海海洋大学地址201306上海市浦东新区沪城环路999号申请人同济大学(72)发明人洪中华凡紫阳栾奎峰童小华冯永玖谢欢陈鹏刘世杰金雁敏许雄柳思聪王超肖长江晏雄锋郭艺友(74)专利代理机构上海伯瑞杰知识产权代理有限公司31227代理人俞磊(51)Int.Cl.G16H50/80(2018.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于LSTM深度学习网络模型的疫情预测模型(57)摘要本发明公开了一种基于LSTM深度学习网络模型的疫情预测模型，包括LSTM用于提取序列数据中的规律信息的长短期记忆网络层、用于拟定输出维度的全连接层、以及用于调整预测数据与标签数据之间的拟合程度的激活层；所述疫情预测模型包含两层连接的长短期记忆网络层，第一层长短期记忆网络层的输出作为第二层长短期记忆网络层的输入。本发明将2*LSTM层连接模型对序列化数据进行建模，充分考虑疫情序列数据之间变化的影响，使得模型拟合效果更好。疫情序列数据在经过1层LSTM训练后，记忆信息得以保留并传输入下一层LSTM，使得模型能充分学习序列间的变化信息，无需考虑除疫情变化记录外的其他参数，预测误差相对较低，对于后期疫情发展趋势存在参考价值。CN111968755ACN111968755A权利要求书1/1页1.一种基于LSTM深度学习网络模型的疫情预测模型，包括LSTM用于提取序列数据中的规律信息的长短期记忆网络层、用于拟定输出维度的全连接层、以及用于调整预测数据与标签数据之间的拟合程度的激活层；其特征在于：所述疫情预测模型包含两层连接的长短期记忆网络层，第一层长短期记忆网络层的输出作为第二层长短期记忆网络层的输入。2.根据权利要求1所述的基于LSTM深度学习网络模型的疫情预测模型，其特征在于：所述疫情预测模型用于输入疫情数据和输出预测结果，疫情数据在输入前经过序列化处理，所述数据序列化是将单独的数据以给定的长度封装成序列数据，所述序列数据具有用于疫情预测模型学习的内部变化规律。3.根据权利要求2所述的基于LSTM深度学习网络模型的疫情预测模型，其特征在于：所述具有内部变化规律序列数据可在两层长短期记忆网络层和长短期记忆网络层内部循环单元进行传输，长短期记忆网络层内部循环单元在每一时刻t都有输入xt和输出ht；所述第一层长短期记忆网络层的输出为所述第二层长短期记忆网络层的输出为其中，m和n分别为第一层长短期记忆网络层和第二层长短期记忆网络层的输出维度，为第l层长短期记忆网络层第t时刻的输出，上一层长短期记忆网络层的输出均作为下一层长短期记忆网络层的输入。2CN111968755A说明书1/3页一种基于LSTM深度学习网络模型的疫情预测模型技术领域[0001]本发明涉及深度学习算法领域，具体地说，特别涉及到一种基于LSTM深度学习网络模型的疫情预测模型。背景技术[0002]随着全国各地进行疫情防控，疫情逐渐得到控制。预测疫情在未来几个月的发展趋势，对于社会是否放松疫情防控起到一定参考作用。疫情数据的变化与政府政策和群众的疫情防控情况息息相关，存在一定幅度的抖动情况。各个地区的疫情状况大致上相同，但由于与地区监管程度和人流量存在联系，数据浮动略有差异。[0003]目前疫情预测运用最多的SEIR(susceptible-exposed-infected-removed)模型，但该模型往往需要考虑不同感染程度的人群之间的相互转移，使用较多参数，不同区域的传染率、基本再生数等参数不同，为数据建模带来困难。而LSTM是一种循环神经网络，可直接用于对含有规律信息的序列数据进行建模，广泛应用于语音识别和文字翻译等领域。目前已使用在疫情预测中的单层的LSTM网络模型的训练结果一般，预测值与真实值之间存在较大差异。发明内容[0004]本发明的目的在于针对现有技术中的不足，提供一种基于LSTM深度学习网络模型的疫情预测模型，以解决现有技术中存在的问题。[0005]本发明所解决的技术问题可以采用以下技术方案来实现：[0006]一种基于LSTM深度学习网络模型的疫情预测模型，包括LSTM用于提取序列数据中的规律信息的长短期记忆网络层、用于拟定输出维度的全连接层、以及用于调整预测数据与标签数据之间的拟合程度的激活层；[0007]所述疫情预测模型包含两层连接的长短期记忆网络层，第一层长短期记忆网络层的输出作为第二层长短期记忆网络层的输入。[0008]进一步的，所述疫情预测模型用于输入疫情数据和输出预