2024年6月11日发(作者：)

2022

年

12

月

第

4

卷

第

6

期

0

沈阳师范大学学报

(

自然科学版

)

JournalohenanormalUniversitNaturalScienceEdition

)

f

S

yg

N

y

(

Vol.40No.6

Dec.2022

()

文章编号

:

167358622

基于

LSTM

模型对印度新冠肺炎疫情的预测

王剑辉

,

蒋杏丽

()

沈阳师范大学数学与系统科学学院

,

沈阳

110034

摘

要

:

自

2

无论对国家

、

社会

、

还是个人都产生了巨

019

年新冠肺炎疫情暴发持续到现在

,

大的影响

。

部分国家及时采取了一些应对措施

,

但是依然无法完全控制住疫情的传播

。

目前

,

机

,

器学习算法被用来预测新冠肺炎疫情的发展

。

使用长短期记忆

(

lonhorttermmemorLSTM

)

g

s

y

-

模型对收集到的印度累计确诊病例数据进行分析并预测印度疫情的变化趋势

。

使用适应性矩估

,

M

作为损失函数

,

不断训练模型后最终得到其准确度为

8suareerrorSE

)

7.49%

。

使用支持向量

q

,

机

(

模型预测新冠肺炎疫情发展的研究比较广泛

,

将其与

LsuortvectormachineSVM

)

STM

模

pp

型进行对比

,

利用相同的数据集得出

S

对比

2

组数值发现

,

在预

VM

模型预测的准确度为

73.25%

,

测印度新冠肺炎疫情上

LSTM

模型的准确度更高

。

该方法在一定程度上为预测印度新冠肺炎确

诊病例数的研究提供了帮助

,

有助于人们实时监控印度疫情

。

中图分类号

:

TP391.9

文献标志码

:

A

关

键

词

:

新冠肺炎疫情

;

LSTM

;

深度学习

;

传染病预测模型

:

1

/

doi

.16735862.2022.06.013

j

,

计

(

算法优化模型使模型参数达到最优值

,

将均方误差

(

adativemomentestimationADAM

)

mean

p

PredictionofCOVID-19eidemicinIndiabasedonLSTM

p

model

WANGJianhui

,

JIANGXinli

g

(,,)

SchoolofMathematicsandSstemsScienceShenanormalUniversitShenan10034

,

China

yyg

N

yyg

1

,

untrieshavetakensometimelountermeasuresbutthesread

y

c

p

elearninlorithmsarecurrentlsedto

py

u

g

a

gy

u

dsesLSTMmodeltoanalzethe

pppy

u

y

datacollectedoncumulativeconfirmedcasesinIndiato

p

redictthetrendoftheeidemicinIndia.

p

,

ThemodelisotimizedusintheADAMalorithmtootimizethemodelarametersandtheMSE

pggpp

,

isusedasthelossfunctionandthemodelistrainedcontinuousltoobtainanaccuracf87.49%.

yy

o

,

TheuseofSVMmodelto

p

redictthedevelomentofCOVID-19eidemiciswideltudiedandit

ppy

s

,

iscomaredwithLSTMmodelandtheaccuracfSVMmodel

p

redictionis73.25%usinhe

py

o

g

t

,

asamedatasetndcomarinhetwovaluesshowthattheLSTMmodelismoreaccuratein

pg

t

thodhasheledto

p

redictthenumberof

pg

t

pp

confirmedcasesofCOVID-19inIndiatoacertainextentandhels

p

eoletomonitortheeidemic

ppp

inIndiainrealtime.

:

C

;

Keords

OVID-19

;

LSTM

;

deeearnininfectiousdisease

p

redictionmodel

p

l

g

y

w

:

S

,

Abstract

incetheoutbreakofcoronavirusin2019

,

ithashadahueimactonthecountries

gp

0

引

言

印度于

2

随后疫情在印度蔓延并暴发

。

截至

020

年

1

月

30

日报告了首例新冠肺炎疫情确诊病例

,

收稿日期

:

20220119

)。

基金项目

:

辽宁省教育厅科学研究经费项目

(

LFW202004

,

作者简介

:

王剑辉

(

男

,

辽宁沈阳人

,

沈阳师范大学教授

。

1965

—)

Copyright©博看网. All Rights Reserved.

第

6

期

王剑辉

,

等

:

基于

LSTM

模型对印度新冠肺炎疫情的预测

555

1

]

,

。

新冠肺炎疫情很难被预知和掌

文章成稿时印度累计确诊人数已经超过了

40

仅次于美国

[

00

万

,

控

,

很多学者建立神经网络模型来预测新冠的传播规律和发展趋势

。

]]

34

)

研究者也利用机器学习

[

和

S

模型

[

去分析并预测新冠

EIR

(

suscetibleexosedinfectiousrecovered

pp

---

2

]

)。

国内外众多

机器学习和人工智能

(

算法被广泛用于预测分析和模式识别

[

artificialintellience

g

[

8

]

相比

,

它更适用于对长序列

network

,

RNN

)

LSTM

在处理时间序列并具长期记忆的数据时更有优势

,

910

]

。

数据进行分类

、

处理及预测

[

[]

,

模型

Saleh

等

67

使用差分自回归移动平均

(

autoreressiveinteratedmovinveraemodelARIMA

)

ggg

a

g

预测西班牙

、

意大利等受疫情影响较大的国家的经济状况

。

与循环神经网络

(

recurrentneural

[]

肺炎疫情

。

H

向量自回归和多层感知机模型来预测印度新冠肺炎疫情

。

idaat

等

5

利用线性回归

、

y

1

数据集提取与

LSTM

模型

年

3

月

1

日至

2022

年

11

月

8

日期间的

新冠肺炎累计确诊病例

,

数据来源于印

度疫情实时大数据报告网站

。

将建模需

要的确诊病例提取出来

,

部分确诊病例

数据见表

1

。

数据预处理后

,

将

3

月

1

日至

9

月

Adam

优化器不断优化模型直至完成所定义的

Eoch

。

p

首先采集印度确诊病例数据

,

数据预处理并划分后应用到

L

在训练的过程中使用

STM

模型上

,

1.1 LSTM

数据集

研究使用的数据集是印度在

2022

表

1

部分印度每日确诊病例数

Table1 PartialdailonfirmedcasesinIndia

y

c

//

03012022

//

03022022

//

03032022

//

03042022

//

03052022

//

03062022

//

03072022

//

03082022

//

03092022

//

03102022

DateConfirmedCount

42938196

42944779

42951286

42957343

42962684

42967084

42970466

42975397

42979590

42983740

7

日期间的数据按

7∶3

的比例划分为

训练集和测试集

2

个部分

。

其中

,

训练

[

1

]

集用来训练

L

使其参数最

STM

模型

1

优化

,

测试集对建立的预测模型进行验

证并调试参数

。

为了能实现根据已知确

诊病例来预测未来任意一段时间内确诊

病例的目的

,

将后

3

个月

(

的数据用于模型实际应用

,

以便于观察出模型的预测

9

月

8

日至

11

月

8

日

)

效果

。

1.2 LSTM

预测模型

LSTM

模型是由

Hochreiter

和

Schmidhuber

于

20

世纪

90

年代提出的

一种特殊的

R

它很好地解决了

NN

,

RNN

梯度消失和梯度爆炸等重大问

题

。

LSTM

模型结构如图

1

所示

。

在某一时刻

,

LSTM

的输入包括当

前时刻网络的输入值

x

上一时刻

t

、

LSTM

的输出值

h

t

-1

以及上一时刻的

LSTM

的输出值

h

t

和当前时刻的单元

]

12

状态

c

有

3

个门

[

来控

STM

中

,

t

。

在

L

单元状态

c

输出包含当前时刻

t

-1

;

图

1 LSTM

模型内部结构

Fi.1 InternalstructureofLSTMmodel

g

2 LSTM

预测模型的建立及评估

]

13

制长期状态

,

每个门

[

利用

simoid

函数来筛选数据

,

0

代表不通过

,

1

代表通过

。

g

层

。

输入层中节点数是提取到的数据数量

,

LSTM

隐藏层数设置为

4

,

输出层引入一个全连接层来将

Copyright©博看网. All Rights Reserved.

建立

LSTM

模型预测印度某段时间内新冠肺炎疫情的确诊数

,

模型分为输入层

、

LSTM

层和输出

556

沈阳师范大学学报

(

自然科学版

)

第

40

卷

。

将参数

B

_

S

最后结果降成一维并输出

atchize

设置为

1

,

Eoch

设置为

100

,

学习率设置为

0.001

,

此

p

[

4

]

外还使用了

A

作为模型优化器

,

将

Mdam

算法

1

SE

作为模型的损失函数

,

选用准确度作为模型的评

价指标

。

对比

LSTM

和

SVM

模型的准确度得到二者的拟合效果

,

准确度越大说明模型预测效果

越好

。

图

2

为印度在

3

月

1

日至

9

月

7

日的新冠肺炎确诊病例折线图

。

图

2

每日确诊病例数

Fi.2 Dailumberofconfirmedcases

gy

n

图

3

和图

4

所示

,

建立的预测模型的损失值随着

E

模型的真实值与预测值拟合效果

och

增大而减小

,

p

较好

。

将

3

月

1

日至

9

月

7

日数据的

7

剩下的数据用于对模型进行测试

。

最后结果如

0%

用于训练模型

,

图

3 LSTM

模型损失值

Fi.3 LossvalueofLSTMmodel

g

图

4

模型预测值与真实值对比

Fi.4 Comarisonofredictedandtrue

gpp

valuesofthemodel

图

5

为模型对印度

9

月

8

日至

1

图

6

是同样时

训练好

LSTM

模型后

,

1

月

8

日预测的确诊病例数

,

间段印度疫情实际确诊病例数统计

,

对比可知模型确实能够成功预测未来某段时间内的新冠肺炎疫情

发展情况

。

最终得到

L

而

S

表明

STM

预测模型的准确度为

87.49%

,

VM

模型的准确度仅为

73.25%

,

在新冠肺炎疫情预测的效果上

LSTM

更准确

。

图

5 60

天内确诊病例预测数

Fi.5 Predictionofconfirmedcaseswithin60das

gy

Copyright©博看网. All Rights Reserved.

第

6

期

王剑辉

,

等

:

基于

LSTM

模型对印度新冠肺炎疫情的预测

557

图

6

确诊实际数据

Fi.6 Actualdataofconfirmedcases

g

3

结

论

计确诊病例数进行预估

。

目前使用

L

由于数据大小

STM

模型预测印度新冠肺炎病例数的研究并不多

,

受限

,

该模型的预测准确率还需要进一步提高

。

参考文献

:

[]():

楼春豪

.

新冠肺炎疫情与印度对外战略新态势

[

1

]

J.

外交评论

,

2020

,

3752551.

():

2021

,

544384394.

[[],

M

,

2

]

kStPetersburniversitathematics

gpgg

U

y

[)]

王志心

,

刘治

,

刘兆军

.

基于机器学习的新型冠状病毒

(

疫情分析及预测

[

3

]

COVID-19J.

生物医学工程研究

,

2020

,

[]

耿辉

,

徐安定

,

王晓艳

,

等

.

基于

S4

]

EIR

模型分析相关干预措施在新型冠状病毒肺炎疫情中的作用

[

J.

暨南大学学报

[

5

]

HIDAYATY

,

stinhenumberofCOVID-19activecasesinIndonesiausinhe

g

t

g

t

[

6

]

SALEHIA

,

stinhesreadoftheCOVID-19

p

andemicinSaudiArabiausinRIMA

g

t

pg

A

[,:

A

p

]

7

]

TIWARIS

,

aktrendsofCoronaVirus

(

COVID-19

)

inIndiarediction

[

J.

[

8

]

MIKOLOVT

,

KARAFIATM

,

BURGETL

,

entneuralnetworkbasedlanuaemodel

[

C

]

∥

gg

,():

DisasterMedPublicHealthPre2020

,

1453338.

p

[],():

redictionmodelundercurrent

p

tPublicHeal2020

,

137914919.

p

[],():

statisticalmultilaer

p

ccRes2021

,

91118.

yp

(,():

自然科学与医学版

)

2020

,

412175180.

():

39115.

本文收集印度新冠肺炎累计确诊病例数后

,

运用深度学习中的

LSTM

算法对其某一段时间内的累

[,:

9

]

GFA

,

noforetContinual

p

redictionwithLSTM

[

C

]

∥IstitutoDalle

g

t

g

1999

:

24512471.

:

Interseech

,

LP

,

2015

:

10451048.

ppp

:,

rlandIstitutoDalleMolleDiStudiSullIntellienzaArtificiale

gg

[],],

10CHUNGJKASTNERK

,

DINHL

,

rentlatentvariablemodelforseuentialdata

[

ci

qp

[]

李少鹏

.

结合

C11NN

和

LSTM

的滚动轴承剩余使用寿命预测方法研究

[

D

]

.

哈尔滨

:

哈尔滨理工大学

,

2019.

():

2015

,

35813401353.

[][],():

12HOCHREITERS

,

Comut1997

,

9817351780.

g

s

yp

-

():

2019

,

438131137.

[]]

陆继翔

,

张琪培

,

杨志宏

,

等

.

基于

C13NN-LSTM

混合神经网络模型的短期负荷预测方法

[

J.

电力系统自动化

,

[]

陶超

.

自适应优化算法在深度学习中的应用与研究

[

14D

]

.

武汉

:

华中科技大学

,

2020.

Copyright©博看网. All Rights Reserved.