LSTM疫情预测实验介绍

模型展示

模型介绍：

该模型整体采用了Seq2Seq的编码器，解码器思想，内部神经网络采用的LSTM，对于疫情这种有地域，时域密切相关的实验对象，采用了空间注意力机制与时间注意力机制来获取相关性权重值。

创新点

在开放的新冠肺炎疫情数据集上进行的大量评估实验表明，本文模型优于 LSTM 等模型。本文的主要创新点如下:

1. 利用空间注意力机制捕获不同地区疫情之间的动态关系，建模了相关地区疫情对预测目标地区疫情传播趋势的影响。

2. 引入时间注意力机制捕捉不同时间间隔内的疫情动态间的时序依赖关系，更好地估计未来一段时间内的疫情动态。

3. 提出一种基于自编码器结构的时空序列 预测模型，分别在编码器端和解码器端融合了基 于空间注意力机制的多地区疫情关联建模和基于时间注意力机制的疫情时序依赖性挖掘，实现了 端到端的新冠肺炎疫情预测。

评估标准

ＲMSE 和MAE 描述了预测值和真实值的实际差异大小，而MAPE 描述了预测误差相对于真实值的百分比。度量指标值越低，预测值与真实值越接近，模型的预测性能也就越好。

实验核心

一般指模型的训练和性能验证，可采用消融实验(控制变量法）来测试某个模型应用其他功能后的性能提升。模型使用均方误差( MSE) 作为损失函数，并使用反向传播算法来训练模型参数。

数据集