[發(fā)明專利]基于LSTM的新冠肺炎疫情群體態(tài)勢預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010657929.7
• 申請日: 2020-07-09
• 公開（公告）號: CN111798991B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 張學(xué)旺;李洋洋;黃勝;崔一輝;馮家琦;林金朝
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 楊柳岸

1.基于LSTM的新冠肺炎疫情群體態(tài)勢預(yù)測方法，其特征在于：該方法包括以下步驟：

S1：新冠肺炎疫情數(shù)據(jù)獲取；

S2：全國新冠肺炎疫情群體態(tài)勢預(yù)測；

S3：省、自治區(qū)和直轄市新冠肺炎疫情預(yù)測；

S4：城市新冠肺炎疫情群體態(tài)勢預(yù)測；

所述S1具體為：

S11：從搜索平臺新冠肺炎疫情大數(shù)據(jù)平臺獲取源代碼；

S12：利用Python集成開發(fā)環(huán)境Pycharm，利用Python爬蟲庫requests、urllib以及JSON模塊、lxml模塊中的etree函數(shù)，通過編程語句xpath('//script[@type＝application/json]/text()')獲取搜索平臺新冠肺炎疫情大數(shù)據(jù)平臺源代碼JSON格式文件，并篩選出中國的新冠肺炎疫情數(shù)據(jù)；

S13：將全國新冠肺炎疫情數(shù)據(jù)按新增確診病例數(shù)據(jù)、新增境外輸入病例、新增無癥狀感染者病例、新增重癥病例、新增死亡病例、新增治愈病例和新增疑似病例數(shù)據(jù)和時間生成csv格式的文件并保存在本地主機；

所述S2具體為：

獲取全國新冠肺炎疫情數(shù)據(jù)后，需要構(gòu)建LSTM網(wǎng)絡(luò)和對數(shù)據(jù)進行預(yù)處理和歸一化處理，使輸入數(shù)據(jù)符合LSTM網(wǎng)絡(luò)的輸入格式；

S21：將生成的csv格式的新冠肺炎疫情數(shù)據(jù)按n_lag天的數(shù)據(jù)構(gòu)成數(shù)組作為輸入數(shù)據(jù)，將之后28天的數(shù)據(jù)構(gòu)成數(shù)組作為預(yù)測標(biāo)簽，形成預(yù)測數(shù)據(jù)集；

S22：將預(yù)測數(shù)據(jù)集按7：3比例劃分為訓(xùn)練集和測試集；

S23：將輸入數(shù)據(jù)進行歸一化處理，將輸入數(shù)據(jù)x映射x′到[0,1]之間；選取最大值max和最小值min，采用公式(7)進行歸一化處理；

S24：構(gòu)建LSTM模型，通過人工神經(jīng)網(wǎng)絡(luò)庫Keras，利用Keras中包含的LSTM網(wǎng)絡(luò)模塊以及損失函數(shù)、層數(shù)和Dropout模塊，將訓(xùn)練集數(shù)據(jù)輸入到LSTM網(wǎng)絡(luò)中進行訓(xùn)練，損失函數(shù)選取均方誤差函數(shù)MSE，優(yōu)化器選取Adam，通過設(shè)置迭代次數(shù)epoch、批處理大小batch_size以及時間步長n_lag，不斷優(yōu)化LSTM網(wǎng)絡(luò)，并使損失函數(shù)降到最低；

S25：將測試集數(shù)據(jù)送入到訓(xùn)練好的LSTM網(wǎng)絡(luò)中，采用公式(8)均方根誤差RMSE來評價真實值與預(yù)測值之間的偏差，并且根據(jù)測試集得出的RMSE值繼續(xù)調(diào)整LSTM網(wǎng)絡(luò)訓(xùn)練參數(shù)，通過增加迭代次數(shù)、修改時間步長n_lag使測試集RMSE值降到最低時，認定此時訓(xùn)練模型已是最優(yōu)，然后保存模型參數(shù)；

S26：預(yù)測；將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)保存，將所要預(yù)測的時間的數(shù)據(jù)和時間步長n_lag的數(shù)據(jù)生成序列，并調(diào)整維度，然后輸入到已訓(xùn)練好LSTM網(wǎng)絡(luò)中，得出全國28天后的新冠肺炎疫情群體態(tài)勢；

S27：重復(fù)以上步驟，對全國新增確診病例數(shù)據(jù)、新增境外輸入病例、新增無癥狀感染者病例、新增重癥病例、新增死亡病例、新增治愈病例和新增疑似病例數(shù)據(jù)分別進行LSTM網(wǎng)絡(luò)訓(xùn)練參數(shù)，得出不同病例的預(yù)測模型、參數(shù)和預(yù)測結(jié)果。