基于SSA-LSTM的重大突发疫情演化预测方法

摘要

精准的疫情演化预测对重大突发疫情防控政策的制定至关重要,现有基于系统动力学理论的传染病仓室模型缺乏从疫情数据演化中进行自我学习的能力,因此在进行长期预测时往往偏差较大。基于此,借助机器学习方法构建了基于LSTM神经网络的重大突发疫情演化预测模型,并通过人工调节的方式优化预测模型的隐藏层数、神经元个数和epoch数等参数。由于人工调参工作量大、耗时长,对模型的预测速度和拟合能力造成影响,进一步提出利用麻雀搜索算法优化LSTM神经网络预测模型的参数设置。为验证上述组合方法的预测性能,以巴西、印度和哥伦比亚3个国家的新冠肺炎疫情(Covid-19)累计感染人数为预测目标,同时采用loss函数对结果进行评估,并选用布谷鸟搜索算法和粒子群优化算法进行对比分析。测试结果表明:麻雀搜索算法能有效提高LSTM模型的精度,所提出的SSA-LSTM组合方法在新冠肺炎疫情演化预测中具有更加优越的性能。