[发明专利]基于LSTM的新冠肺炎疫情群体态势预测方法

权利要求书

1.基于LSTM的新冠肺炎疫情群体态势预测方法，其特征在于：该方法包括以下步骤：

S1：新冠肺炎疫情数据获取；

S2：全国新冠肺炎疫情群体态势预测；

S3：省、自治区和直辖市新冠肺炎疫情预测；

S4：城市新冠肺炎疫情群体态势预测；

所述S1具体为：

S11：从搜索平台新冠肺炎疫情大数据平台获取源代码；

S12：利用Python集成开发环境Pycharm，利用Python爬虫库requests、urllib以及JSON模块、lxml模块中的etree函数，通过编程语句xpath('//script[@type＝application/json]/text()')获取搜索平台新冠肺炎疫情大数据平台源代码JSON格式文件，并筛选出中国的新冠肺炎疫情数据；

S13：将全国新冠肺炎疫情数据按新增确诊病例数据、新增境外输入病例、新增无症状感染者病例、新增重症病例、新增死亡病例、新增治愈病例和新增疑似病例数据和时间生成csv格式的文件并保存在本地主机；

所述S2具体为：

获取全国新冠肺炎疫情数据后，需要构建LSTM网络和对数据进行预处理和归一化处理，使输入数据符合LSTM网络的输入格式；

S21：将生成的csv格式的新冠肺炎疫情数据按n_lag天的数据构成数组作为输入数据，将之后28天的数据构成数组作为预测标签，形成预测数据集；

S22：将预测数据集按7：3比例划分为训练集和测试集；

S23：将输入数据进行归一化处理，将输入数据x映射x′到[0,1]之间；选取最大值max和最小值min，采用公式(7)进行归一化处理；

S24：构建LSTM模型，通过人工神经网络库Keras，利用Keras中包含的LSTM网络模块以及损失函数、层数和Dropout模块，将训练集数据输入到LSTM网络中进行训练，损失函数选取均方误差函数MSE，优化器选取Adam，通过设置迭代次数epoch、批处理大小batch_size以及时间步长n_lag，不断优化LSTM网络，并使损失函数降到最低；

S25：将测试集数据送入到训练好的LSTM网络中，采用公式(8)均方根误差RMSE来评价真实值与预测值之间的偏差，并且根据测试集得出的RMSE值继续调整LSTM网络训练参数，通过增加迭代次数、修改时间步长n_lag使测试集RMSE值降到最低时，认定此时训练模型已是最优，然后保存模型参数；

S26：预测；将训练好的网络参数保存，将所要预测的时间的数据和时间步长n_lag的数据生成序列，并调整维度，然后输入到已训练好LSTM网络中，得出全国28天后的新冠肺炎疫情群体态势；

S27：重复以上步骤，对全国新增确诊病例数据、新增境外输入病例、新增无症状感染者病例、新增重症病例、新增死亡病例、新增治愈病例和新增疑似病例数据分别进行LSTM网络训练参数，得出不同病例的预测模型、参数和预测结果。