基于长短期记忆网络的COVID-19疫情趋势序列分析预测

摘要

循环神经网络(Recurrent Neural Network,RNN)采用叠乘序列处理问题时,容易出现梯度消失或梯度爆炸,而LSTM(long short-term memory)模型当前的单元信息是通过输入门控制之后叠加来解决梯度消失问题.采用机器学习经典神经网络RNN循环神经网络变体长短期记忆网络对2020年2月22日—7月13日爆发的新型冠状病毒(COVID-19)肺炎中新增确诊人数、现有确诊人数、治愈、死亡、累计确诊人数作为趋势进行序列分析预测.RNN循环神经网络正向传播机制通过分配给当前时刻的输入和上一时刻的状态2个输入数据,将2个结果一个拷贝传给下一时刻,一个传给输出层,cell的输出作为输出层的输入进行最后全连接操作.其中将前4项元素作为序列输入值,样本序列长度为14,每个数据输入维度为4,后一项元素作为序列输出值.实验结果表明,LSTM网络适合用于做疫情序列分析预测.