典型文献
基于时空注意力机制的新冠肺炎疫情预测模型
文献摘要：
新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要.现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能.为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架.通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测.在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征.在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化.在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明:所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3％和25.0％,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了10.1％和10.4％.
文献关键词：
新冠肺炎疫情预测;注意力网络;时空序列预测;长短期记忆(LSTM)网络;自编码器
中图分类号：
作者姓名：
鲍昕;谭智一;鲍秉坤;徐常胜
作者机构：
南京邮电大学 通信与信息工程学院,南京210003;中国科学院自动化研究所 模式识别国家重点实验室,北京100080
文献出处：
引用格式：
[1]鲍昕;谭智一;鲍秉坤;徐常胜-.基于时空注意力机制的新冠肺炎疫情预测模型)[J].北京航空航天大学学报,2022(08):1495-1504
A类：
B类：
时空注意力机制,新冠肺炎疫情预测,准确预测,病毒传播,传播趋势,防控疫情,时序预测模型,传染病模型,力驱动,自编码器,空间注意力机制,动态空间,空间关联性,时间注意力机制,新冠肺炎病毒,长短期记忆,关联目标,目标地区,时序特征,解码器,疫情趋势,趋势变化,疫情数据,预测性能,分国,预测误差,误差指标,RMSE,MAE,分省,注意力网络,时空序列预测
AB值：
0.264827
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。
