《基于LSTM模型的疫情感染人数预测分析案例》810字.docxVIP

PAGE

PAGE5

基于LSTM模型的疫情感染人数预测分析案例

1、原理概述

LSTM模型是一种特殊的。它的提出是为了解决训练较长的序列过程中的梯度消失或梯度爆炸问题，主要通过遗忘、输入、输出三个逻辑来实现信息的保护和控制。

遗忘门决定了遗忘速度，也就是决定记忆单元上一时间的值被传到当前时刻的数量。

如上图所示，遗忘门会读取和，输出记忆单元上一时间的值是否保留在当前时刻。计算公式为：

其中，表示上一时刻隐含层的输出，为记忆单元当前输入值，为函数，、、是遗忘门的权重矩阵和偏置项。

输入门控制当前时刻进入记忆单元输入值的数量。通过一个层生成备选用来更新的向量.

输入门的计算公式为

用来更新的向量的计算公式为

下面将更新为

计算公式为

输出门决定记忆单元中现有的记忆值可以被输出的比重有多大。

输出门的计算公式为

得到循环层的输出值为

使用LSTM进行时间序列预测的流程为：

1）通过用上一时间段的真实值来预测下一时间步的值的方式重新组织数据集，将时间序列数据集转化为监督学习问题。

2）函数的值域为，所以将数据集标准化到此范围内。

3）划分训练集和数据集，改变输入数据集的维度，建立具有一个LSTM层，损失函数为损失，优化器为的LSTM模型，并根据训练数据集训练100次，拟合模型，输出测试集对应的时间序列的预测值。

2、使用LSTM模型对主要疫情国家每日新增病例数的预测

本节