亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于深度學(xué)習(xí)的新型冠狀病毒肺炎疫情的動態(tài)監(jiān)測研究

        2020-06-19 07:59:46趙行健
        現(xiàn)代商貿(mào)工業(yè) 2020年20期
        關(guān)鍵詞:動態(tài)監(jiān)測新冠肺炎深度學(xué)習(xí)

        摘 要:針對新冠肺炎疫情,本文運用2020年1月20日-2月25日的全國及湖北省累計確診人數(shù)、累計治愈人數(shù)和累計死亡人數(shù)等數(shù)據(jù),分析了病毒傳播擴(kuò)散的數(shù)據(jù)特征,建立了深度學(xué)習(xí)的長短期記憶模型(LSTM),通過PYTHON實現(xiàn)了模型高精度的擬合和預(yù)測。

        關(guān)鍵詞:新冠肺炎;深度學(xué)習(xí);動態(tài)監(jiān)測

        中圖分類號:D9???? 文獻(xiàn)標(biāo)識碼:A????? doi:10.19311/j.cnki.1672-3198.2020.20.081

        0 引言

        2020年伊始,出現(xiàn)了新冠肺炎,相關(guān)專家經(jīng)過科學(xué)分析確定這是一種新型冠狀病毒引起的肺炎(Novel Coronavirus Pneumonia,簡稱NCP,下同),并經(jīng)過不斷醫(yī)學(xué)臨床分析和演化,得出病毒的傳染性很強(qiáng),具有持續(xù)人傳入的特性。在NCP疫情出現(xiàn)后,我國高度重視、迅速部署、果斷采取了聯(lián)防聯(lián)控機(jī)制等措施,武漢封城、全國各地禁行限出,全國各省區(qū)市、全軍都派出醫(yī)護(hù)人員對口支援湖北武漢和各地市州,有力的保障了疫情沒有大規(guī)模的爆發(fā),堅決遏制了疫情蔓延的勢頭。根據(jù)國家衛(wèi)生健康委員會官方網(wǎng)站疫情通報情況,截至2020年2月25日24時,全國累計報告確診病例78064例,累計治愈出院病例29745例,累計死亡病例2715例。面對這種傳染性強(qiáng)、人群易感的新型病毒,防控策略的具體實踐依然面臨著嚴(yán)峻挑戰(zhàn)。此外,NCP疫情對我國經(jīng)濟(jì)社會造成較大的方方面面的沖擊,面臨著有序復(fù)工復(fù)產(chǎn),恢復(fù)正常的生產(chǎn)生活秩序。這都需要對NCP疫情后期的演變趨勢做出分析和預(yù)判。鑒于此,本文嘗試搜集2020年1月20日至2020年2月25日共37天的全國各省區(qū)市網(wǎng)絡(luò)直報的新型冠狀病毒疫情數(shù)據(jù),建立了相關(guān)的LSTM模型對疫情的累計確診人數(shù)進(jìn)行動態(tài)監(jiān)測。

        1 深度學(xué)習(xí)模型選取及介紹

        對NCP疫情變化趨勢分析是對已經(jīng)發(fā)生病例的傳染、治療、死亡等等情況的回顧,目的是總結(jié)梳理除NCP演變的規(guī)律,更為重要的是能夠基于前期特征而對未來疫情發(fā)展提供可靠的預(yù)測。

        1.1 深度學(xué)習(xí)的LSTM模型

        在疫情發(fā)展到有防護(hù)的阻隔傳播的第二階段,中央和各省區(qū)市以及地市州官方疫情指揮部以及各類官方媒體、自媒體都在發(fā)布、釋放與疫情相關(guān)的各種各樣的海量信息。這些信息公開、透明和傳播一方面有助于疫情的防控,另一方面中的數(shù)據(jù)包含著巨大帶挖掘的價值,NCP的傳染性、破壞力,人們采取的防控措施都可以從數(shù)據(jù)中反映出來。對數(shù)據(jù)信息的合理擬合就可比較準(zhǔn)確的預(yù)測出NCP后期走勢。對于數(shù)據(jù)維度多、沒有可靠數(shù)學(xué)模型指導(dǎo)下的擬合與預(yù)測預(yù)警,深度學(xué)習(xí)算法是一種最可行的選擇。

        深度學(xué)習(xí)(Deep Learning)是從深度神經(jīng)網(wǎng)絡(luò)發(fā)展變化而來,其核心是對學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次,通過“學(xué)習(xí)”過程中獲得的信息對諸如數(shù)據(jù)、文字、圖像和聲音的演變特征和規(guī)律,目的是讓機(jī)器系統(tǒng)能夠像人一樣具有分析學(xué)習(xí)能力。深度學(xué)習(xí)是一個復(fù)雜的機(jī)器學(xué)習(xí)算法,在語音和圖像識別方面取得的非常明顯的效果,超過先前相關(guān)技術(shù)。目前正逐步應(yīng)用在生產(chǎn)生活的方方面面。根據(jù)NCP疫情的趨勢預(yù)測主要是時間序列,再結(jié)合深度學(xué)習(xí)的特征,本文選取當(dāng)前深度學(xué)習(xí)在序列信息中應(yīng)用最為廣泛的是長短記憶模型(Long Short-Term Memory,簡稱LSTM)?;贚STM模型的長期記憶能力以及其廣泛的適用,本文選取LSTM模型進(jìn)行深度學(xué)習(xí)模型的搭建,以更好地從數(shù)據(jù)中提取信息。

        1.2 疫情數(shù)據(jù)選擇

        在眾多口徑的數(shù)據(jù)中,本文選用累計確診人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)作為特征變量納入LSTM模型之中。累計確診人數(shù):該特征是最受關(guān)注的,能夠較為全面的反映疫情信息,前一天的累計確診人數(shù)能夠從整體上反映出疫情擴(kuò)散狀況及防控效果,是影響后續(xù)累計確診人數(shù)變化最有效的特征。累計死亡人數(shù):該特征在一定程度上反映了新冠肺炎病毒的破壞力,特征數(shù)據(jù)的增減反映了醫(yī)護(hù)水平、藥物療法等對于患者的治療及護(hù)理是否起到作用。累計治愈人數(shù):該特征與累計死亡人數(shù)是相對的,從相反的方面反映了醫(yī)護(hù)人員對于病毒的控制能力。

        2 疫情未來演變趨勢動態(tài)監(jiān)測

        2.1 數(shù)據(jù)處理

        本文選取了共30天的疫情數(shù)據(jù)作為LSTM模型的訓(xùn)練集,2020年2月19日之后的數(shù)據(jù)作為測試集。按照LSTM模型對數(shù)據(jù)要求,也是為了提高模型精度,消除計量單位對預(yù)測結(jié)果的影響,輸入的數(shù)據(jù)需要標(biāo)準(zhǔn)化處理,具體是對訓(xùn)練集中的每一列數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文按照公式如下進(jìn)行處理:

        y=x-mean(x)std(x)

        式中,x為原始數(shù)據(jù),mean(x)為原始數(shù)據(jù)的均值,std(x)為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。

        2.2 疫情變化趨勢擬合

        經(jīng)過反復(fù)調(diào)試,本文LSTM深度學(xué)習(xí)模型確定如下:模型分為兩層,輸入層和輸出層。其中,輸入層為LSTM層,神經(jīng)元個數(shù)為128,激活函數(shù)為“ReLU”函數(shù);輸出層為全連接(Dense)層,輸出值為全國第二天累計確診人數(shù);迭代次數(shù)為3000。

        基于上述調(diào)試得出的最優(yōu)深度學(xué)習(xí)LSTM模型,本文對近7天的全國數(shù)據(jù)進(jìn)行了動態(tài)追蹤,收集了全國每一天的特征信息,并將其輸入模型以預(yù)測第二天的全國確診人數(shù)。其后,將新一天的實際數(shù)據(jù)加入原數(shù)據(jù)集形成新的數(shù)據(jù)集,再對未來一天的全國確診人數(shù)作出新的預(yù)測,以此類推進(jìn)行動態(tài)追蹤預(yù)測擬合,預(yù)測擬合結(jié)果如表1所示。

        從表1中可以看出:當(dāng)確診人數(shù)達(dá)到7萬以上的量級時,通過深度學(xué)習(xí)LSTM模型的構(gòu)建,對第二天的預(yù)測精度達(dá)到了正負(fù)600例以內(nèi),甚至最低的正負(fù)差達(dá)到了個位數(shù),平均絕對預(yù)測誤差為237,誤差率都在正負(fù)1%以下,這是傳統(tǒng)模型所無法達(dá)到的精度。但是從21日開始,由于之前近一個月的全民自我隔離行動,使得在近兩個病毒潛伏期過后,疫情得到了極為有效的控制,確診人數(shù)增長速度急劇下降,雖然通過動態(tài)的追蹤每一天的新信息輸入模型,已經(jīng)監(jiān)測到了感染人數(shù)增長幅度的下降,一些數(shù)據(jù)無法反應(yīng)的防控措施依然使得預(yù)測正負(fù)差越拉越大。即使疫情自2月19日后得到有效控制,超出預(yù)期,本文所建立的模型在后面數(shù)天的動態(tài)監(jiān)測中依靠強(qiáng)大的擬合能力,縮小了模型預(yù)測正負(fù)差。

        3 結(jié)論

        本文通過對新型冠狀病毒肺炎(NCP)在2020年1月20日到2月25日在我國的傳播情況進(jìn)行分析,收集整理了期間的累計確診人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)等多維度數(shù)據(jù),選用深度學(xué)習(xí)的長短記憶期模型(LSTM),通過PYTHON程序,對NCP累計確診人數(shù)進(jìn)行了為期一周的趨勢預(yù)測,預(yù)測有一定精度和可信度。針對預(yù)測得出結(jié)論,建議在復(fù)產(chǎn)復(fù)工中嚴(yán)格落實中央要求和各省區(qū)市的具體部署,嚴(yán)防NCP疫情拐點的反復(fù),確保早日取得NCP疫情阻擊戰(zhàn)的全面勝利。

        參考文獻(xiàn)

        [1]CHEN N S, ZHOU M, DONG X, et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study[J]. The Lancet,2020(Pre-publis).

        [2]LU R J, ZHAO X, LI J, et al. Genomic characterization and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding[J]. The Lancet,2020(Pre-publis).

        [3]LIU L, OZA S, HOGAN D, et al. Global, regional, and national causes of child mortality in 2000-13, with projections to inform post-2015 priorities: an updated systematic analysis[J]. The Lancet,2015,385(9966):430-440.

        [4]VOLKOVA S, AYTON E, PORTERFIELD K, et al. Forecasting influenza-like illness dynamics for military populations using neural networks and social media[J]. PloS one,2017,12(12):e0188941.

        [5]HE F, HU Z, ZHANG W, et al. Construction and evaluation of two computational models for predicting the incidence of influenza in Nagasaki Prefecture, Japan[J]. Scientific reports,2017,7(1):7192.

        [6]馬知恩,周義倉,王穩(wěn)地,等.傳染病動力學(xué)的數(shù)學(xué)建模與研究[M].北京:科學(xué)出版社,2004.

        [7]楊雨琦,孫琦,王悅欣,等.重慶市新型冠狀病毒肺炎(NCP)疫情分析與趨勢預(yù)測[J/OL].重慶師范大學(xué)學(xué)報(自然科學(xué)版):1-6[2020-02-27].

        [8]范如國,王奕博,羅明,等.基于SEIR的新型肺炎傳播模型及拐點預(yù)測分析[J/OL].電子科技大學(xué)學(xué)報:1-6[2020-02-27].

        [9]王志心,劉治,劉兆軍.基于機(jī)器學(xué)習(xí)的新型冠狀病毒(2019-nCoV)疫情分析及預(yù)測[J/OL].生物醫(yī)學(xué)工程研究:1-9[2020-02-27].

        [10]呂秋瑩,單芙香,謝旭,等.2005—2016年深圳市乙型病毒性肝炎疫情分析與趨勢預(yù)測[J].應(yīng)用預(yù)防醫(yī)學(xué),2018,24(01):6-9,85.作者簡介:趙行健(1993-),男,漢族,江蘇溧陽人,碩士研究生,重慶理工大學(xué),研究方向:金融資產(chǎn)評估。

        猜你喜歡
        動態(tài)監(jiān)測新冠肺炎深度學(xué)習(xí)
        政府要做好公共價值的創(chuàng)造者和守護(hù)者
        黨政論壇(2020年2期)2020-03-16 03:30:42
        新冠肺炎疫情前期應(yīng)急防控的“五情”大數(shù)據(jù)分析
        治理研究(2020年2期)2020-03-13 08:10:15
        科學(xué)與價值:新冠肺炎疫情背景下的風(fēng)險決策機(jī)制及其優(yōu)化
        治理研究(2020年2期)2020-03-13 08:10:15
        臺陸委會正式改稱“新冠肺炎”
        動脈血乳酸動態(tài)監(jiān)測在心臟外科重癥患者圍手術(shù)期的臨床應(yīng)用
        淺談實現(xiàn)電網(wǎng)經(jīng)濟(jì)調(diào)度運行的可行性措施探究
        動態(tài)監(jiān)測C反應(yīng)蛋白評估重癥社區(qū)獲得性肺炎療效和預(yù)后的臨床研究
        MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
        大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
        經(jīng)顱多普勒超聲動態(tài)監(jiān)測對多發(fā)性腦梗塞認(rèn)知障礙的應(yīng)用
        亚洲av成人片色在线观看高潮 | 人妻夜夜爽天天爽| 国产av日韩a∨亚洲av电影| 99久久久久久亚洲精品| 日本午夜艺术一区二区| 全黄性性激高免费视频| 亚洲av日韩av不卡在线观看| 日韩精品无码区免费专区| 天天摸天天做天天爽天天舒服| 国产亚洲一二三区精品| 国产不卡视频一区二区三区| 2019年92午夜视频福利| 热re99久久精品国产66热6| 一区二区三区在线观看精品视频| 大陆老熟女自拍自偷露脸| 性色av闺蜜一区二区三区| 亚洲AV永久无码精品导航| 精品中文字幕久久久人妻| 99久久无码一区人妻| 亚洲永久无码7777kkk| 久久99中文字幕久久| 精品成人av人一区二区三区| 天天干天天日夜夜操| 亚洲精品无码久久久久秋霞| 日本免费一区二区三区在线看| 国产亚洲一区二区毛片| 色欲av伊人久久大香线蕉影院 | 欲香欲色天天天综合和网| 精品欧洲av无码一区二区三区| 91av小视频| 亚洲免费看三级黄网站| 亚洲国产中文字幕视频| 乱人伦中文无码视频| 精精国产xxxx视频在线播放器| 熟妇人妻精品一区二区视频| 蜜臀av999无码精品国产专区| 午夜成人理论无码电影在线播放 | 永久免费中文字幕av| 狼狼色丁香久久女婷婷综合| 亚洲av成人片色在线观看高潮| 夜色阁亚洲一区二区三区|