典型文献
基于经验模态分解的CEEMDAN-FE-LSTM传染病预测
文献摘要：
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.
文献关键词：
经验模态分解;CEEMDAN;模糊熵;长短时记忆网络;传染病预测
中图分类号：
作者姓名：
李顺勇;何金莉
作者机构：
山西大学数学科学学院,太原 030006
文献出处：
引用格式：
[1]李顺勇;何金莉-.基于经验模态分解的CEEMDAN-FE-LSTM传染病预测)[J].河南科学,2022(08):1205-1212
A类：
B类：
基于经验,CEEMDAN,FE,传染病预测模型,自适应噪声完备集合经验模态分解,模糊熵,长短时记忆网络,组合预测模型,序列分解,分解成,若干个,不同频率,模态分量,算法计算,时间复杂度,不同尺度,运算效率,肺结核,乙肝,布鲁氏菌病,艾滋病,发病数,SARIMA,规模型
AB值：
0.2624
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
