針對現(xiàn)有模型在開放空間的預測和時變參數(shù)估計上存在的局限性,該文在已知病毒傳播規(guī)律的基礎上,將極限學習機與動力學模型結合,提出了一種新的極限IR預測模型。通過對SIR模型的改進,該模型將病毒傳播過程簡化為感染態(tài)、治愈態(tài)和死亡態(tài),并對時變函數(shù)及疫情趨勢進行預測,解決了疫情中現(xiàn)有確診人數(shù)、死亡人數(shù)和治愈人數(shù)實時預測的難題。實驗證明,極限IR算法可準確實現(xiàn)疫情趨勢的實時預測,為新型冠狀肺炎疫情發(fā)展趨勢提供了一種有效的數(shù)據(jù)分析模型。 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 總體框架
2 無風險人群轉移預測模型
3 感染人群預測模型
4 模型實證
    4.1 治愈人群與死亡人群預測
    4.2 確診人群預測
5 結束語


【參考文獻】：
期刊論文
[1]基于機器學習的新型冠狀病毒（COVID-19）疫情分析及預測[J]. 王志心,劉治,劉兆軍.  生物醫(yī)學工程研究. 2020(01)
[2]新型冠狀病毒肺炎基本再生數(shù)的初步預測[J]. 周濤,劉權輝,楊紫陌,廖敬儀,楊可心,白薇,呂欣,張偉.  中國循證醫(yī)學雜志. 2020(03)
[3]一類具有l(wèi)ogistic增長的SIR時滯傳染病模型的穩(wěn)定性分析[J]. 吳紅良,薛亞奎.  數(shù)學的實踐與認識. 2018(07)
[4]一種改進的GNS互連測試算法[J]. 鐘波,孟曉風,王琳,王國華.  航空學報. 2009(04)



本文編號：3699198