基于深度学习的新冠疫情数据分析

摘要：在全球抗击新型冠状病毒肺炎（COVID-19）疫情的过程中，合理的疫情传播预测对于疫情防控有重要参考意义。为了对病毒传播进行合理预测，针对传统疫情传播预测模型存在的不足，在BP神经网络提出一种组合式神经网络的疫情传播预测模型，并将其应用于湖北省1月29日-3月15日每日新增确诊人数预测及湖北省每日累计确诊人数预测。预测结果分析显示，该神经网络预测模型预测结果可靠有效。模型性能分析结果表明，组合式神经网络预测模型平均相对误差（MRE）不超过0.16，均方误差（MSE）不超过0.1，均方根误差（RMSE）为0.262 9，性能明显优于其它几种神经网络预测模型。基于武汉市与广东省疫情传播预测的实证结果显示模型具有较好的适用性及准确性。

关键词： 新型冠状病毒肺炎；组合神经网络预测模型；疫情传播；预测分析

一.文章结构

第一章主要介绍了在人类发展历史上，几个严重危害人类生命的传染病事件，以及关于传染病的研究历史，并重点介绍了现阶段各界学者对于新冠疫情的文献研究。

第二章主要介绍了神经网络的相关理论知识，具体有模型的性质、重要参数，并在此基础上提出基于神经网络的长短期记忆神经网络模型，将长短时记忆用于神经网络中，最后对新的神经网络的模型做了介绍。

第三章本章利用网络爬虫技术获取新冠肺炎历史数据组成实验数据集；在网络层上构建层次更深的长短时记忆神经网络新冠肺炎发展趋势预测模型，最后提出了实验评价指标。

第四章，利用基于神经网络长短时记忆网络预测模型对2020年2月12日至2020年4月15日全国、武汉市和北京市的新冠病毒肺炎日累计确诊病例数和日累计死亡病例进行预测，并分别对全国、湖北省武汉市和北京市的日累计确诊病例数和日累计死亡病例数的相对误差进行分析预测误差进行了分析，通过实际的实验验证，长短时记忆网络络在数据集充分的时候，预测的精度非常高。。

第五章对全文的内容进行总结。本章介绍了本文的主要工作、预测结果、以及防疫措施的相关建议，并且指出了本文存在的一些不足以及未来改进的方向。

二.数据分析

1.爬取数据

本文通过Python爬取提供疫情数据实时追踪网站。首先用谷歌浏览器打开该网站，进入开发者模式进行分析。在开发者模式下，进入network模块，通过刷新网页获取数据源和数据接口，从而找到其所对应的各个Request URL以获取所需要的数据。然后利用postman对数据接口的数据进行测试，发现数据接口所返回数据为JSON格式，调用json.loads()将JSON格式转换为字典类型。最后将数据存入数据库持久化保存。

2.制作疫情地图

借助Apache Echarts绘画图表技术，Echarts是基于JSON的开源数据可视化图标库，绘画图表简便快捷，效果简洁好看。在规划了绘制地图区域后准备中国地图信息的js文件，下载一个可用的导入到项目中后

 疫情可视化代码下载地址：python疫情可视化

三.LSTM模型建立

1 LSTM模型介绍 

长短时记忆网络(Long Short Term Memory Network,LSTM)为改进后的循环神经网络(Recurrent Neural Network,RNN)。它能解决RNN对短期的输入敏感的问题，此外，LSTM在RNN的基础上增加了一个状态结构和三个门结构，如图2-3所示，即:单元状态(cell state)、遗忘门、输入门和输出门。其中，遗忘门通过函数控制之前信息的输入程度，输入门控制当前信息的输入程度，输出门则用来控制最终输出。长短时记忆神经网络能够综合处理长期和短期的输入，非常适合处理时问序列的预测问题。

2 LSTM模型的建立

LSTM模型基于RNN改进得到，能够自动挖掘时间序列数据之间的潜在关联性，根据相关数据的滞后数据建立的自变量，捕获因变量和自变量的数学映射，预测未来的发展规律，并通过某时刻的自变量数据对下一时刻因变量的变化趋势进行预测。基于以上特点，本文进行l实证分析，利用第三章得到的中国新冠肺炎疫情数据集，使用Keras(基于python的深度学习库)进行编程，建立LSTM预测模型。具体步骤如下:

(1)确定输入与输出。

(2)数据归一化处理。

(3)划分数据集及格式转换。

(4)定义网络。

(5)编译网络。

(6)拟合网络。

(7)做出预测。利用训练集和测试集数据对因变量进行预测

(8)数据反变换。将归一化处理之后的值转换为原始数据;

(9)评估网络。根据测试集上的数据对网络进行评估，预测因变量的值，计算平均绝对误差(MAE)。

四.预测结果

日累计确诊病例数与相对误差的仿真结果 

本文毕设论文加代码下载地址：基于深度学习的疫情新冠疫情预测