由于傳染病的發(fā)展趨勢(shì)尚不清楚,這意味著預(yù)測(cè)傳染病的發(fā)病情況并不容易。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)研究的不斷深入,尤其是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的大量研究,使得很多難以預(yù)測(cè)的問題得到了更好的解決。本文通過調(diào)研發(fā)現(xiàn)還沒有將LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用在傳染病預(yù)測(cè)領(lǐng)域的研究。本文將LSTM神經(jīng)網(wǎng)絡(luò)應(yīng)用在傳染病預(yù)測(cè)領(lǐng)域是一次大膽的嘗試。通過利用天氣數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、人口數(shù)據(jù)等,并將這些數(shù)據(jù)結(jié)合傳染病發(fā)病個(gè)案數(shù)據(jù)一并進(jìn)行傳染病預(yù)測(cè)的研究,取得了良好的傳染病預(yù)測(cè)效果。首先通過數(shù)據(jù)預(yù)處理分析現(xiàn)有數(shù)據(jù),提取出有用的特征因素,例如,本文通過數(shù)據(jù)分析可知,影響傳染病發(fā)病情況除以上所述外還有年齡因素、性別因素、職業(yè)因素等等。本文通過ARIMA和LSTM的對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),預(yù)測(cè)所有傳染病的發(fā)病情況時(shí)LSTM模型優(yōu)于ARIMA模型,同時(shí)又將所有數(shù)據(jù)劃分為多個(gè)時(shí)間段的預(yù)測(cè),例如,分月預(yù)測(cè)、分周預(yù)測(cè)、分日預(yù)測(cè),在預(yù)測(cè)時(shí)間段的選擇上,本文通過實(shí)驗(yàn)發(fā)現(xiàn)分周預(yù)測(cè)的效果是最優(yōu)的。在預(yù)測(cè)未來一周的傳染病發(fā)病情況時(shí),其中LSTM模型的RMSE指標(biāo)值為188.59,而ARIMA模型的RMSE指標(biāo)值為336.88。本研究在確定了分周預(yù)測(cè)效果最優(yōu)的前提... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

文本分析可視化技術(shù)

社交網(wǎng)絡(luò)分析可視化技術(shù)

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)可視分析綜述[J]. 任磊,杜一,馬帥,張小龍,戴國(guó)忠.  軟件學(xué)報(bào). 2014(09)



本文編號(hào)：2937331