CN115240871B 一种基于深度嵌入聚类元学习的流行病预测方法 （南昌理工学院）_第1页
CN115240871B 一种基于深度嵌入聚类元学习的流行病预测方法 （南昌理工学院）_第2页
CN115240871B 一种基于深度嵌入聚类元学习的流行病预测方法 （南昌理工学院）_第3页
CN115240871B 一种基于深度嵌入聚类元学习的流行病预测方法 （南昌理工学院）_第4页
CN115240871B 一种基于深度嵌入聚类元学习的流行病预测方法 （南昌理工学院）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度嵌入聚类元学习的流行病预本发明公开了一种基于深度嵌入聚类元学2S1、获取真实流行病确诊病例数的历史数据，将历提取时间序列片段的局部特征，p,()为RNNcr分别为CNN模型参数和RNN模型参数；ij表示由学生t分布测量的时间序列片段zi与按时间序列片段特征集合进行聚类，得到时间序列片段数据集合的一个划分Pi3L,(f,)=lly-列2,r={0,6'}2.根据权利要求1所述的一种基于深度嵌入聚类元学习的流行病预测方法，其特征在获取目标地区d长度为Td的已知历史时间序列信息xd，将时间序列3.根据权利要求1所述的一种基于深度嵌入聚类元学习的流行病预测方法，其特征在45它们的参数会发生变化，并且参数的近似是困难的，例如基本再生数R0、人口流动性等。传播稳定的地区迁移到疫情处于早期阶段的6[0012]获取目标地区i长度为T的已知历史时间序列信息xi，将时间序列cr分别为CNN模型参数和RNN模型参数。7i式，每个聚类Di分为Queryi和Supporti两部分，并对应一个预测任务Ti~p(J)。其中，[0033]Ln(f,)=lly-l2,r={0,0'}8[0042]针对新的预测任务Ttest,将其归属到最相近时序片段聚类中，并采样获得Supporttest，基于学习到元知识θ,在Supporttest进行梯度梯度下降学习，获得适应新任务播模式，并可将学习到的传播模式用于新爆发疫情且仅存在少量历史数据地区的未来预9[0056]获取目标地区i长度为T的已知历史时间序列信息xi，将时间序列个长度为ω+ΔT的时间序列片段集合S={S[0065]⃞=(s$)=(h$=p:(h;9.)llp,(hf;0,)eR2cr分别为CNN模型参数和RNN模型参数。i式，每个聚类Di分为Queryi和Supporti两部分，并对应一个预测任务Ti~p(J)。其中，[0086]针对新的预测任务Ttest,将其归属到最相近时序片段聚类中，并采样获得Supporttest，基于学习到元知识θ,在Supporttest进行梯度梯度下降学习，获得适应新任务[0089]评价指标：我们采用均方根误差和皮尔逊相关系数patternattentionformultivariatetimeseriesforecasting.MachineLearning[0095]–CNNRNN_Res：一种结合CNN、RNN和残差链接进行流行病学预测的深度学习模型(Yu,B.,Yin,H.,Zhu,Z.:Spatio_temporalgraphconvolutionalnetworks:Adeeplearningframeworkfortrafficforecasting.arXivpreprintarXiv:1709.04875E.:Self_attention_baseddeeplearningnetworkforregionalinfluenzagraphneuralnetworksforlong_te[0103]

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论