基于长短期记忆网络的COVID-19疫情趋势序列分析预测

赵永翼, 王 菲, 申 莹

(1. 沈阳师范大学 软件学院, 沈阳 110034; 2. 沈阳市艺术幼儿师范学校, 沈阳 110000)

0 引 言

2020年伊始,新冠状病毒席卷全球,新冠状病毒通过空气与人体器官嘴、眼皮、鼻腔和口腔中的粘膜接触,释放病毒遗传物质RNA单链作为信使RNA绕过细胞核糖体合成RNA复制酶[1]。RNA复制酶根据病毒RNA生成RNA负链继续和复制酶生成RNA片段、RNA正链,不同RNA片段与核糖体生成更多病毒蛋白质结构,蛋白质外壳与RNA组合生成新冠状病毒颗粒通过高尔基体分泌至细胞外以感染新的细胞[2],以上就是新冠状病毒感染患者的生物传播过程[3]。由于新冠状病毒极容易在空气中通过飞沫传播,截止到2020年7月13日全球疫情数据:现存确诊5 344 825例,累计确诊12 846 242例,累计死亡567 976例,累计治愈6 933 441例。其中美国新冠肺炎病亡人数超过13万,全球居首[4]。本文采取国外疫情数据作为数据本集。在模型的选择上,机器学习主张机器自己从数据中学习知识，需要人工提取特征，常见的算法有线性回归、分类、聚类算法等如SVM、决策树、Adaboost、PCA降维等。而深度学习实质是人工神经网络,可看作是一种层数较深的人工神经网络,常见的有CNN、RNN。为了能实现疫情数据的序列化预测,实验选择深度学习模型RNN循环神经网络变体长短期记忆网络LSTM长短期记忆网络模型对国外疫情数据进行序列预测[5]。

1 RNN循环神经网络

人工神经网络(Artificial Neural Network,ANN)模型,简称神经网络或类神经网络。在机器学习科学领域是一种模仿生物中枢神经系统的结构(如图1所示),神经网络由大量的人工神经元联结进行计算[6],人工神经网络在外界信息的基础上改变内部结构,具备自身学习功能的自适应系统[7]。……