近年來衛(wèi)生部資料調查顯示,心血管和呼吸系統(tǒng)疾病的發(fā)病率位于前列,并有逐年升高的趨勢。這些慢性疾病通常門診表現(xiàn)為急性發(fā)作,針對該類疾病的預防對診療系統(tǒng)具有十分重要的作用。心血管與呼吸系統(tǒng)疾病的產生與復發(fā)和連續(xù)的氣象因素條件有著緊密的聯(lián)系。過去大量學者針對門診時間序列進行預測的模型大多為統(tǒng)計模型,其預測誤差較大、消耗時間過長,預測效果達不到解決實際問題的要求。而隨著機器學習與深度學習的發(fā)展,長短期記憶神經網絡（Long Short-Term Memory,LSTM）在多因子時間序列預測方面取得了較好的效果。本文研究對象包括氣象因素與慢性疾病門診量兩類時序數據,利用LSTM神經網絡為基礎模型對兩者建立預測模型并加以改進。為了更好地挖掘氣象與慢性疾病門診量之間的關聯(lián)信息,提高短期門診預測精度,本文針對LSTM神經網絡的特征選擇效率不高的問題,提出將卷積神經網絡（Convolutional Neural Networks,CNN）與LSTM神經網絡相融合的預測模型。其中CNN用于接收輸入數據、壓縮和提取其中的重要特征因素,LSTM用于接收CNN層的輸出,提取其中的時間序列特征,最終得到預測結果。... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數】：59 頁

【學位級別】：碩士

【部分圖文】：

甘肅省四地區(qū)氣象及污染數據時間分布序列圖

基于LSTM模型的氣象因素與慢性疾病關系研究-16-（c）慶城（d）涼州圖3.2甘肅省四地區(qū)氣象及污染數據時間分布序列圖本文選取的甘肅四個地區(qū)分別是：白銀（中溫帶半干旱氣候）、成縣（暖溫帶半濕潤氣候）、慶城（溫帶季風性氣候）和涼州（溫帶大陸性干旱氣候），四地的氣候分布均具有代表性，如圖3.3為甘肅省四地區(qū)地理分布圖，氣象門診原始數據片段如表3.1所示。位于不同的地理區(qū)域，由于存在差異而受到不同氣象條件的影響大有不同。其中高血壓疾病的發(fā)病率對氣象變化較為敏感，具體危險因素包括低溫和冷暖交替等氣候。以慶城為例，其氣候夏季高溫多雨，冬季寒冷干燥。而在不同PM2.5、PM10濃度水平下，隨著PM2.5、PM10濃度水平的增大，各種心血管疾病門診人數隨之增高。圖3.3甘肅省四地區(qū)地理分布圖

甘肅四地區(qū)CNN-LSTM高血壓門診量預測圖

【參考文獻】：
期刊論文
[1]基于粒子群優(yōu)化LSTM的股票預測模型[J]. 宋剛,張云峰,包芳勛,秦超.  北京航空航天大學學報. 2019(12)
[2]改進果蠅算法優(yōu)化CIAO-LSTM網絡的時序預測模型[J]. 李春,高飛,王會青.  計算機工程與應用. 2020(11)
[3]基于改進遺傳算法的RBF神經網絡結構優(yōu)化研究[J]. 文常保,馬文博,劉鵬里.  計算機工程與科學. 2019(05)
[4]基于時空LSTM的OD客運需求預測[J]. 林友芳,尹康,黨毅,郭晟楠,萬懷宇.  北京交通大學學報. 2019(01)
[5]基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J]. 陸繼翔,張琪培,楊志宏,涂孟夫,陸進軍,彭暉.  電力系統(tǒng)自動化. 2019(08)
[6]改進粒子群算法優(yōu)化LSTM神經網絡的鐵路客運量預測[J]. 李萬,馮芬玲,蔣琦瑋.  鐵道科學與工程學報. 2018(12)
[7]基于PF-LSTM網絡的高效網絡流量預測方法[J]. 李校林,吳騰.  計算機應用研究. 2019(12)
[8]基于樹結構長短期記憶神經網絡的金融時間序列預測[J]. 姚小強,侯志森.  計算機應用. 2018(11)
[9]2014年影響寧波市上呼吸道疾病門診量的氣象條件分析[J]. 俞科愛,孫仕強,賀天鋒,郭建民,胡曉,張晶晶.  衛(wèi)生研究. 2018(04)
[10]基于正則化LSTM模型的股票指數預測[J]. 任君,王建華,王傳美,王建祥.  計算機應用與軟件. 2018(04)

博士論文
[1]多變量時間序列的聚類、相似查詢與異常檢測[D]. 周大鐲.天津大學 2009

碩士論文
[1]基于深度學習的風功率預測模型的研究[D]. 張儉.北京交通大學 2019
[2]基于LSTM的關聯(lián)時間序列預測方法研究[D]. 尹康.北京交通大學 2019
[3]基于GAM模型的氣象因素與若干慢性病關系研究[D]. 賈茹閣.蘭州交通大學 2019
[4]石家莊地區(qū)三種天氣敏感性疾病的醫(yī)療氣象預報[D]. 賈俊妹.蘭州大學 2017
[5]上呼吸道感染的氣象誘因及預測方法研究[D]. 蔣艷峰.蘭州大學 2015



本文編號：3230457