基于自注意力机制LSTM的COVID-19感染预测OA北大核心CSTPCD
COVID-19因各国气候、政府政策和疫苗接种人数等因素的不同而呈现不同的发展趋势,这导致COVID-19数据不稳定,传统的机理模型无法根据历史时序数据做出准确预测。因此,提出一种在深度学习LSTM网络框架下引入Self-Attention机制的改进模型。通过仿真实验,对中国、英国和意大利的COVID-19现存病例数据进行预测,并与带有非线性传染率的SIS模型、LSTM模型和ConvLSTM模型的预测结果对比,实验证明,相比于其他三种模型,LSTM-Self-Attention模型的预测精度更高。
吴昊;曹宇;魏海平;田壮;
辽宁石油化工大学计算机与通信工程学院,辽宁抚顺113000
计算机与自动化
COVID-19SIS自注意力机制长短期记忆网络ConvLSTM
《计算机应用与软件》 2024 (009)
P.106-113 / 8
辽宁省教育科学“十三五”规划立项重点课题(JG18DA013);辽宁省重点研究开发项目(2020JH2/10300040);辽宁省教育厅资助课题(L2020031)。
评论