典型文献
基于LSTM模型对印度新冠肺炎疫情的预测
文献摘要：
自2019年新冠肺炎疫情暴发持续到现在,无论对国家、社会、还是个人都产生了巨大的影响.部分国家及时采取了一些应对措施,但是依然无法完全控制住疫情的传播.目前,机器学习算法被用来预测新冠肺炎疫情的发展.使用长短期记忆(long short-term memory,LSTM)模型对收集到的印度累计确诊病例数据进行分析并预测印度疫情的变化趋势.使用适应性矩估计(adaptive moment estimation,ADAM)算法优化模型使模型参数达到最优值,将均方误差(mean square error,MSE)作为损失函数,不断训练模型后最终得到其准确度为87.49％.使用支持向量机(support vector machine,SVM)模型预测新冠肺炎疫情发展的研究比较广泛,将其与LSTM模型进行对比,利用相同的数据集得出SVM模型预测的准确度为73.25％,对比2组数值发现,在预测印度新冠肺炎疫情上LSTM模型的准确度更高.该方法在一定程度上为预测印度新冠肺炎确诊病例数的研究提供了帮助,有助于人们实时监控印度疫情.
文献关键词：
新冠肺炎疫情;LSTM;深度学习;传染病预测模型
中图分类号：
作者姓名：
王剑辉;蒋杏丽
作者机构：
沈阳师范大学 数学与系统科学学院,沈阳 110034
文献出处：
引用格式：
[1]王剑辉;蒋杏丽-.基于LSTM模型对印度新冠肺炎疫情的预测)[J].沈阳师范大学学报（自然科学版）,2022(06):554-557
A类：
B类：
疫情暴发,分国,制住,机器学习算法,长短期记忆,long,short,term,memory,确诊病例,适应性矩估计,adaptive,moment,estimation,ADAM,算法优化,最优值,均方误差,mean,square,error,MSE,损失函数,训练模型,support,vector,machine,实时监控,传染病预测模型
AB值：
0.361239
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
