基于贝叶斯加权LSTM网络的COVID-19多序列预测

作者：袁梦; 郭奕瑄; 刘学艺; 王义康^*; 张宝琳

来源：中国计量大学学报, 2022, 33(03): 379-387.

DOI：10.3969/j.issn.2096-2835.2022.03.012

• COVID-19
• 贝叶斯优化
• LSTM网络
• 疫情预测

目的:基于贝叶斯优化方法构建COVID-19疫情的加权长短期记忆(LSTM)多序列预测模型，提高对COVID-19疫情的预测精度。方法:首先，通过引入输出权重系数，建立COVID-19的加权LSTM多序列预测模型；其次，提出一种基于贝叶斯优化的加权LSTM多序列预测模型(Bayesian Weighted LSTM, BW-LSTM),并根据不同超参数间的关联特点，基于两步优化策略实现权重系数以及其它超参数的优化学习；最后，基于BW-LSTM模型实现COVID-19疫情的多序列预测。结果:与其它传统深度学习模型对比，基于BW-LSTM的COVID-19预测模型能获得更优的预测精度。结论:本文提出的加权LSTM多序列预测模型及其参数的贝叶斯优化学习算法，能够有效提升网络学习效率，提高模型预测精度。

• 单位
  青岛科技大学; 中国计量大学; 电子工程学院