基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

摘要：

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和模糊熵(FE)改进长短时记忆网络(LSTM)的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.

关键词：经验模态分解、CEEMDAN、模糊熵、长短时记忆网络、传染病预测

所属期刊栏目：40

分类号：TP391.9(计算技术、计算机技术)

资助基金：国家自然科学基金;山西省高等学校教学改革创新项目;山西省高等学校精品共享课程;山西省研究生教育教学改革课题

在线出版日期：2022-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1205-1212