基于SEIR-LSTM混合模型的新型冠状病毒肺炎传播趋势分析与预测

发布时间：2024-02-28 05:53

　　为了对新型冠状病毒肺炎(COVID-19)传播趋势实现更精准的分析与预测,基于传统的传染病动力学模型SEIR(susceptible-exposed-infectious-recovered)和长短期记忆(long short-term memory,LSTM)深度学习网络构建了一种混合模型SEIR-LSTM,结合全国和湖北省的疫情数据进行分析与预测.从实验结果来看,相较于传统的机器学习、多项式拟合、普通的SEIR模型和单一的LSTM,所提出的混合模型能取得更高的疫情预测精度.最后给出了对疫情发展的预测,对疫情防控具有一定的应用价值和社会价值.

【文章页数】：7 页

【部分图文】：

图1全国疫情发展趋势

从全国的数据看（数据来自国家卫健委）[3]，现存确诊人数在前期快速增长，在2月16日左右到达顶峰后，随着大量的患者治愈出院，确诊病例存量正在慢慢下降，总体呈下降趋势．2月11日到2月12日确诊病例和疑似病例会有一段明显的上升（图1），这与临床诊断方法的改变和应收尽收策略的制定有关....

图2其他国家疫情发展趋势

从数据看我国疫情发展势头已经得到了有效控制，但是国外的疫情出现了爆发的苗头（图2），确诊病例正在快速上升．伴随着输入性病例的出现，疫情防控形势依旧严峻，在国内疫情基本控制的情况下，要谨防输入性病例，因此本文结合传统模型与深度学习结合现有数据对COVID-19疫情发展进行分析和预测....

图3SEIR-LSTM模型框架

SEIR-LSTM模型包括3部分（图3):1)SEIR模块．与经典的复杂网络疾病传播模型susceptibleinfectious(SI）、susceptible-infectious-recovered(SIR）、susceptible-infectious-susceptib....

图4LSTM的链式结构

本文的神经网络体系结构采用LSTM来捕获观测值的动态时间行为[7].LSTM是一种特殊的RNN，可以解决长期依赖问题，被广泛应用在对时间序列相关数据的预测．LSTM的链式结构如图4所示[8].LSTM的运算过程：

本文编号：3913565