典型文献
基于预训练⁃微调策略的COVID⁃19预测模型
文献摘要：
COVID-19的世界性大流行对整个社会产生了严重的影响,通过数学建模对确诊病例数进行预测将有助于为公共卫生决策提供依据.在复杂多变的外部环境下,基于深度学习的传染病预测模型成为研究热点.然而,现有模型对数据量要求较高,在进行监督学习时不能很好地适应低数据量的场景,导致预测精度降低.构建结合预训练-微调策略的COVID-19预测模型P-GRU.通过在源地区数据集上采用预训练策略,使模型提前获得更多的疫情数据,从而学习到COVID-19的隐式演变规律,为模型预测提供更充分的先验知识,同时使用包含最近历史信息的固定长度序列预测后续时间点的确诊病例数,并在预测过程中考虑本地人为限制政策因素对疫情趋势的影响,实现针对目标地区数据集的精准预测.实验结果表明,预训练策略能够有效提高预测性能,相比于卷积神经网络、循环神经网络、长短期记忆网络和门控循环单元模型,P-GRU模型在平均绝对百分比误差和均方根误差评价指标上表现优异,更适合用于预测COVID-19传播趋势.
文献关键词：
新型冠状病毒肺炎;预训练;微调;限制政策;门控循环单元;P-GRU预测模型
中图分类号：
作者姓名：
杨莉;万旺根
作者机构：
上海大学 通信与信息工程学院,上海 200444;上海大学 智慧城市研究院,上海 200444
文献出处：
引用格式：
[1]杨莉;万旺根-.基于预训练⁃微调策略的COVID⁃19预测模型)[J].计算机工程,2022(03):17-22
A类：
B类：
预训练,微调策略,世界性,大流行,数学建模,确诊病例,公共卫生决策,传染病预测模型,现有模型,数据量,监督学习,GRU,源地区,训练策略,疫情数据,隐式,演变规律,先验知识,历史信息,定长,度序列,序列预测,中考,本地人,限制政策,政策因素,疫情趋势,目标地区,精准预测,预测性能,循环神经网络,长短期记忆网络,门控循环单元模型,平均绝对百分比误差,传播趋势
AB值：
0.355006
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。
