[发明专利]基于LSTM的新冠肺炎疫情群体态势预测方法

说明书

本发明涉及一种基于LSTM的新冠肺炎疫情群体态势预测方法，属于深度学习技术领域。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。深度学习目前在许多领域取得了优异的效果，LSTM在时间序列预测问题上表现较好，能够很好的挖掘数据的时间特征和规律，相比于传统的非参数模型效果要好。

技术领域

本发明属于深度学习技术领域，涉及基于LSTM的新冠肺炎疫情群体态势预测方法。

背景技术

随着深度学习技术的不断发展，许多领域逐渐将目光转向深度学习。在处理非线性数据和多维数据上，深度学习展现出了优异的性能。循环神经网络(Recurrent NeuralNetwork，RNN)是神经网络的一种，循环神经网络适合于解决序列问题。传统的神经网络不同层之间是全连接的，而同一层内的神经元相互之间并无连接。而在序列处理的过程中，前一阶段的输出会对下一阶段的输出产生影响。而循环神经网络不仅仅能接受上一层的输入，并且能够接受上一时刻本层神经元的信息。因此循环神经网络可以有效解决之前神经网络解决序列问题时的缺陷，但也存在着当神经网络过深或者时序数过多时的“梯度爆炸”或者“梯度消失”的问题。

而长短期记忆(Long-Short Term Memory，LSTM)网络成功的克服了循环神经网络存在的“梯度爆炸”或“梯度消失”的问题，成为当前使用最多的RNN，它在语音和图片识别、自然语言处理、情感识别等多种领域中得到了广泛的应用。LSTM网络内除了包含短期输入信号状态h外还增加了一个单元状态c，用以存储长期的状态，网络内部使用两个门来控制单元状态c，其中一个是遗忘门，遗忘门的作用是确定保存多少之前时刻的c_t-1到当前时刻的单元状态c_t中，另一个是输入门，输入门的作用是确定保存多少当前时刻的输入x_t到单元状态c_t中。还有一个门是输出门，它的作用是确定把多少单元状态c_t输出到LSTM的当前输出值h_t中。LSTM网络内部结构如图1。

LSTM网络是通过神经元的传递来前向传播和计算信息，并且通过门机制来控制输入输出信息。遗忘门的计算表达式为：

f_t＝σ(W_f×[h_t-1,x_t]+b_f) (1)

式中，f_t表示遗忘门输出，σ是sigmoid函数，W_f表示遗忘门的权重矩阵，h_t-1表示前一刻的输出值，x_t为当前时刻的输入值，b_f是遗忘门的偏置项，符号×表示矩阵的叉乘。输入门的计算表达式为：

i_t＝σ(W_i×[h_t-1,x_t]+b_i) (2)

式中，i_t是输入门输出，W_i是权重矩阵，b_i是该门的偏置项。描述当前输入的单元状态c～_t根据之前时刻的输出和当前输入来计算，计算表达式为：

式中，W_c表示单元状态的权重，b_c为偏置项。下面是当前时刻的单元状态c_t的计算。将c_t-1

点乘f_t，再用点乘i_t，将两个的积求和即可得到单元状态c_t，其计算表达式为：