[發(fā)明專(zhuān)利]基于LSTM的新冠肺炎疫情群體態(tài)勢(shì)預(yù)測(cè)方法

有效

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

本發(fā)明涉及一種基于LSTM的新冠肺炎疫情群體態(tài)勢(shì)預(yù)測(cè)方法，屬于深度學(xué)習(xí)技術(shù)領(lǐng)域。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(guó)新冠肺炎疫情群體態(tài)勢(shì)預(yù)測(cè)；S3：省、自治區(qū)和直轄市新冠肺炎疫情預(yù)測(cè)；S4：城市新冠肺炎疫情群體態(tài)勢(shì)預(yù)測(cè)。深度學(xué)習(xí)目前在許多領(lǐng)域取得了優(yōu)異的效果，LSTM在時(shí)間序列預(yù)測(cè)問(wèn)題上表現(xiàn)較好，能夠很好的挖掘數(shù)據(jù)的時(shí)間特征和規(guī)律，相比于傳統(tǒng)的非參數(shù)模型效果要好。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，涉及基于LSTM的新冠肺炎疫情群體態(tài)勢(shì)預(yù)測(cè)方法。

背景技術(shù)

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，許多領(lǐng)域逐漸將目光轉(zhuǎn)向深度學(xué)習(xí)。在處理非線性數(shù)據(jù)和多維數(shù)據(jù)上，深度學(xué)習(xí)展現(xiàn)出了優(yōu)異的性能。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent NeuralNetwork，RNN)是神經(jīng)網(wǎng)絡(luò)的一種，循環(huán)神經(jīng)網(wǎng)絡(luò)適合于解決序列問(wèn)題。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同層之間是全連接的，而同一層內(nèi)的神經(jīng)元相互之間并無(wú)連接。而在序列處理的過(guò)程中，前一階段的輸出會(huì)對(duì)下一階段的輸出產(chǎn)生影響。而循環(huán)神經(jīng)網(wǎng)絡(luò)不僅僅能接受上一層的輸入，并且能夠接受上一時(shí)刻本層神經(jīng)元的信息。因此循環(huán)神經(jīng)網(wǎng)絡(luò)可以有效解決之前神經(jīng)網(wǎng)絡(luò)解決序列問(wèn)題時(shí)的缺陷，但也存在著當(dāng)神經(jīng)網(wǎng)絡(luò)過(guò)深或者時(shí)序數(shù)過(guò)多時(shí)的“梯度爆炸”或者“梯度消失”的問(wèn)題。

而長(zhǎng)短期記憶(Long-Short Term Memory，LSTM)網(wǎng)絡(luò)成功的克服了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的“梯度爆炸”或“梯度消失”的問(wèn)題，成為當(dāng)前使用最多的RNN，它在語(yǔ)音和圖片識(shí)別、自然語(yǔ)言處理、情感識(shí)別等多種領(lǐng)域中得到了廣泛的應(yīng)用。LSTM網(wǎng)絡(luò)內(nèi)除了包含短期輸入信號(hào)狀態(tài)h外還增加了一個(gè)單元狀態(tài)c，用以存儲(chǔ)長(zhǎng)期的狀態(tài)，網(wǎng)絡(luò)內(nèi)部使用兩個(gè)門(mén)來(lái)控制單元狀態(tài)c，其中一個(gè)是遺忘門(mén)，遺忘門(mén)的作用是確定保存多少之前時(shí)刻的c_t-1到當(dāng)前時(shí)刻的單元狀態(tài)c_t中，另一個(gè)是輸入門(mén)，輸入門(mén)的作用是確定保存多少當(dāng)前時(shí)刻的輸入x_t到單元狀態(tài)c_t中。還有一個(gè)門(mén)是輸出門(mén)，它的作用是確定把多少單元狀態(tài)c_t輸出到LSTM的當(dāng)前輸出值h_t中。LSTM網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)如圖1。

LSTM網(wǎng)絡(luò)是通過(guò)神經(jīng)元的傳遞來(lái)前向傳播和計(jì)算信息，并且通過(guò)門(mén)機(jī)制來(lái)控制輸入輸出信息。遺忘門(mén)的計(jì)算表達(dá)式為：

f_t＝σ(W_f×[h_t-1,x_t]+b_f) (1)

式中，f_t表示遺忘門(mén)輸出，σ是sigmoid函數(shù)，W_f表示遺忘門(mén)的權(quán)重矩陣，h_t-1表示前一刻的輸出值，x_t為當(dāng)前時(shí)刻的輸入值，b_f是遺忘門(mén)的偏置項(xiàng)，符號(hào)×表示矩陣的叉乘。輸入門(mén)的計(jì)算表達(dá)式為：

i_t＝σ(W_i×[h_t-1,x_t]+b_i) (2)

式中，i_t是輸入門(mén)輸出，W_i是權(quán)重矩陣，b_i是該門(mén)的偏置項(xiàng)。描述當(dāng)前輸入的單元狀態(tài)c～_t根據(jù)之前時(shí)刻的輸出和當(dāng)前輸入來(lái)計(jì)算，計(jì)算表達(dá)式為：

式中，W_c表示單元狀態(tài)的權(quán)重，b_c為偏置項(xiàng)。下面是當(dāng)前時(shí)刻的單元狀態(tài)c_t的計(jì)算。將c_t-1

點(diǎn)乘f_t，再用點(diǎn)乘i_t，將兩個(gè)的積求和即可得到單元狀態(tài)c_t，其計(jì)算表達(dá)式為：