![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于LSTM模型的全国猩红热预测及流行病学研究.pdf
《基于LSTM模型的全国猩红热预测及流行病学研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM模型的全国猩红热预测及流行病学研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、中文科技期刊数据库(全文版)医药卫生 16 基于 LSTM 模型的全国猩红热预测及流行病学研究 贺 静1 郭书萍1,2(通讯作者)仇丽霞1 1.山西医科大学公共卫生学院,山西 太原 030000 2.山西医科大学第一医院皮肤科,山西 太原 030000 摘要:摘要:目的 基于全国猩红热 2004 年 1 月-2018 年 12 月的数据,分析其流行特点并建立预测模型。方法 采用三间分布描述全国猩红热的流行特点,采用神经网络模型 LSTM 网络构建预测模型并得出预测结果,采用 MSE、MAE、RMSE、MAPE 评价指标比较 LSTM 模型与 ARIMA 模型的性能。结果 全国猩红热 2004
2、年-2018 年总发病 655396 例,死亡 10 例;5-6 月和 11-12 月为发病高峰;发病率最高的三个地区依次为辽宁省、山东省、黑龙江省。构建输入步长为 12,隐含层数为 1,隐含层神经元个数为 5 的 LSTM 模型结构,预测值误差在 20%以内。拟合SARIMA(2,1,2)(0,1,1)12模型进行比较,拟合性能 MSE 减少了 0.16%、MAE 减少了 0.89%、RSME 减少了 1.73%、MAPE 减少了 16.31%;预测性能 MSE 减少了 0.46%、MAE 减少了 2.67%、RSME 减少了 3.09%、MAPE 减少了 18.65%。结论 全国猩红热发病
3、率呈曲线上升趋势、呈明显的季节性双峰分布、多出现在北方和人群聚集的地方,LSTM 作为预测模型有较好的拟合性能和预测性能。关键词:关键词:猩红热;神经网络;LSTM;预测 中图分类号:中图分类号:R511.7 Based on LSTM model of national scarlet fever prediction and epidemiological study HE Jing1 GUO Shuping1,2 QIU Lixia1 1.School of Public Health,Shanxi Medical University,Shanxi Taiyuan 030000 2.D
4、epartment of Dermatology,The First Hospital of Shanxi Medical University,Shanxi Taiyuan 030000 Abstract:Objective:Based on the data of scarlet fever from January 2004 to December 2018,the epidemic characteristics of scarlet fever were analyzed and a prediction model was established.Methods:Three dis
5、tributions were used to describe the epidemic characteristics of scarlet fever in China,the LSTM model was used to establish the prediction model and obtain the prediction results,and the performance of the LSTM model and the ARIMA model were compared by the evaluation indexes of MSE,MAE,RMSE and MA
6、PE.Results:From 2004 to 2018,there were 655396 cases and 10 deaths in scarlet fever.Peak incidence occurs in May-June and November-December;The three regions with the highest incidence were Liaoning Province,Shandong Province and Heilongjiang Province.The LSTM model structure with a step size of 12,
7、hidden layer number of 1 and hidden layer neuron of 5 was constructed,and the prediction error was within 20%.Fitting the ARIMA(2,1,2)(0,1,1)12 model,the fitting performance MSE decreased by 0.16%,MAE decreased by 0.89%,RSME decreased by 1.73%,and MAPE decreased by 16.31%.Predicted performance MSE d
8、ecreased by 0.46%,MAE by 2.67%,RSME by 3.09%,and MAPE by 18.65%.Conclusion:The incidence of scarlet fever in China shows an upward curve,shows an obvious seasonal bimodal distribution,and mostly occurs in the north and places where the population gathers,and LSTM has good fitting performance and pre
9、diction performance as a prediction model.Key words:scarlet fever;neural networks;LSTM;predict 中文科技期刊数据库(全文版)医药卫生 17 猩红热是由 A 组型溶血性链球菌(Group A Streptococcus)或称化脓性链球(Streptococcus pyogenes)引起的急性呼吸道传染病1。临床表现为无症状感染、咽炎、脓疱病、严重可致侵袭性疾病,如败血症等,并有可能引发免疫后遗症2。通过空气、飞沫、粉尘等传播,人群普遍感染,但儿童较为常见3。无特效疫苗且易漏诊、误诊,可造成严重的身心健康
10、和经济损失,因此建立一种高效的预测模型,可以很好的提供预防对策。基于时间序列预测的方法可以分为三类:统计方法、机器学习和深度学习,相较于统计方法和机器学习,深度学习更好的提高了数据挖掘能力4。基于深度学习的循环神经网络即长短期记忆(LSTM)网络已广泛应用于时间序列的预测,且 LSTM 模型具有较好的预测效果5。因此建立 LSTM 模型,有利于更好的预测猩红热序列,为猩红热的防治提供科学依据。1 数据来源 全国猩红热数据来自中国疾病预防控制信息系统的传染病报告信息管理系统,收集了 2004 年 1 月-2018 年 12 月的月度数据,包括发病率,发病人数,死亡人数以及地区。2 研究方法 2.
11、1 描述性分析 整理分析数据,从三间分布了解全国猩红热总发病人数,平均发病率,总死亡人数,总死亡率,月发病率及地区分布情况。2.2 建立 LSTM 模型 长短时记忆网络(Long Short Term Memory,LSTM)模型,本质上是一种特定形式的循环神经网络(Recurrent Neural Network,RNN)6。由于 RNN 的梯度消失和梯度爆炸问题导致其不能用于长期预测,LSTM 模型在 RNN 模型的基础上通过增加门限(Gates)来解决 RNN 短期记忆的问题,使得循环神经网络能够真正有效地利用长距离的时序信息7。LSTM 由三个门组成,输入门,遗忘门和输出门,如图 1
12、所示。图 1 LSTM 模型结构图 遗忘门:需要从细胞中丢弃的信息,经过遗忘门的 sigmoid 函数实现,sigmoid 函数的值在 0-1 之间,点乘操作决定传送多少的信息,值为 0 时不传送,值为 1 时全部传送8,见公式 1-2。其中表示 t 时刻遗忘门矩阵;表示 sigmoid 函数;表示 t 时刻LSTM 神经网络神经元的输出;表示 t 时刻 LSTM 神经网络神经元的输入。公式 1 公式 2 输入门 Ct:决定在细胞状态中存储和更新的信息。首先,输入门应用 sigmoid 函数决定更新的数据,然后用 tanh 函数创建用于细胞状态的更新向量,将上一个细胞状态值 Ct-1乘以 ft
13、更新为 Ct,代表需要忘记的部分,加上乘以,得到新的细胞状态 Ct,见公式 3-6。其中,表示 t 时刻输入门矩阵;表示 tanh 函数;表示 t 时刻候选神经元细胞状态矩阵。公式 3 公式 4 公式 5 公式6 输出门 ht:决定模型的输出值。由 sigmoid 函数建立输出门,决定细胞状态输出的部分,再将细胞状态通过 tanh 函数将值规范到-1 到 1 之间,并乘以输出门矩阵得到模型输出值,见公式 7-8。其中,表示 t 时刻输出门的矩阵。公式 7 公式 8 这就是 LSTM 模型的计算过程,、和、是模型里可学习的参数,参数tftf1thtxfttftbxhWf,1 xex11tCtit
14、Cti xtanhtCittitbxhWi,1 11coshsinhtanh22xxeexxxCttCtbxhWC,tanh1tttttiCfCC1toottotbxhW,o1tttCotanhhfWiWcWoWfbibcbob中文科技期刊数据库(全文版)医药卫生 18 的更新在整个过程中遵循了反向传播和梯度下降原则,该方法可以有效筛选长期数据的特征,解决了循环神经网络的长依赖问题9。训 练 LSTM 模 型 的 过 程:先 采 用 min-max normalization 最大值归一化方法将原始数据进行归一化处理,对全国猩红热 2004 年 1 月-2018 年 12 月的数据进行重构,将
15、一维的猩红热数据通过滑窗法,转换为适合 LSTM 要求的三维张量10。再将重构的数据划分为训练集和测试集,由于窗口长度不同,对应的样本长度也不同,本文预测未来一年的猩红热发病率,因此选择最后 12 个数据作为测试集验证模型性能,将剩余数据作为训练集训练模型11。确定模型的网络结构、隐含层神经元个数和期望误差。模型的网络结构一般为 M-N-Q,M 为输入层节点数,N 为隐含层数,Q 为输出层节点数,根据最小的均方误差(MSE)确定最优的神经网络的结构,隐含层神经元个数的选择采用经验公式:,其中 n 为输出层神经元个数,m 为输入层神经元个数,a 为 1-10 的常数12。期望误差需要经过多次训练
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 模型 全国 猩红热 预测 流行病学 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。