之间的相关性测定COVID-19使用时间序列预报和气象参数:一个案例研究在巴基斯坦

文摘

等传染病COVID-19迅速蔓延全球,导致重大的经济损失,包括在巴基斯坦。天气的影响COVID-19传播需要更详细的检查,一些研究声称降低其传播。COVID-19世卫组织宣布大流行,据报道在全球大约210个国家,包括亚洲,欧洲,美国,和北美。人与人之间的接触和国家之间的国际航空旅行传播背后的主要原因SARS-CoV-2从它的起始点,除了自然的力量。然而,在社区内进一步传播和感染或国家可以借助于自然元素,如天气。因此,COVID-19和温度之间的关系可以更好地阐明像巴基斯坦这样的国家,在那里SARS-CoV-2影响了至少037万人。本研究收集了十个月巴基斯坦COVID-19感染和死亡率数据(March-December 2020)。相关的气象参数,温度和湿度也获得了同样的课程时间。收集到的数据进行处理,用于比较不同时间序列的性能预测模型的均方误差(MSE)的均方根误差(RMSE)和平均绝对百分比误差(日军)。使用时间序列模型,估计的影响,湿度,温度,和其他气象参数对COVID-19传输通过获得总之间的相关性感染病例和死亡的人数和天气变量在一个特定的地区。 Results depict that weather parameters hold more influence in evaluating the sum number of cases and deaths than other factors like community, age, and the total population. Therefore, temperature and humidity are salient parameters for predicting COVID-19 affected instances. Moreover, it is concluded that the higher the temperature, the lesser the mortality due to COVID-19 infection.

1。介绍

病毒感染名叫COVID-19最初发现于2019年12月中旬在中国武汉市1),遍布整个世界,并最终世卫组织宣布这是一个流行[2]。图1地图显示了确诊病例的总数。2020年11月22日,有58475749例COVID-19病例,1385775人死亡,和40459596年全球经济复苏,371508年的总病例,7603人死亡,931年和328年,经济复苏是在巴基斯坦3]。虽然SARS-CoV-2起源于中国,是世界上最大的人口,它是中国中心的有效控制和其它地区2020年2月以来4]。每日COVID-19病例6月14日在巴基斯坦在6825年达到顶峰,2020;然后,它拒绝331年8月3日,2020;从2020年11月的第一个星期,这显示提升模式。虽然有一个治疗,主要的焦点是通过国家封锁和检疫措施遏制传播(5]。每天如此高的病例数权证立即行动计划有效地控制它,它需要准备为未来在巴基斯坦和其他国家爆发。

最近,科学家阐明气象参数和主要COVID-19流行地区之间的密切联系。此外,这些区域都位于一个相对北方温带地区分区(6]。虽然大流行是一个全球性的问题,世界爆发地震震中的平均气温5°C-11°C,湿度47% - -79%在2020年的头两个月。基于这些事实,我们的主要假设是,病毒的传播限制在高温和湿度地区而不是地区平均温度和湿度。

最初,2020年2月26日,在巴基斯坦两种情况出现。并行,三个病例记录在后续时间从不同的城市,没有亲和力/接触其中COVID-19受害者。出乎意料的,受影响的人的数量增加4月14日,2020年,目睹了最多的情况下在旁遮普,2826。信德省与1452例第二,肃贪会是第三,有800名患者,吉尔吉特Baltistan在第四位,有233名患者,俾路支和伊斯兰堡有321和131例,分别。相比之下,来自自由克什米尔有最少的情况下,即。,437]。由于没有适当的治疗这个流行发现和多种形式的SARS-CoV-2也依赖季节性(8),这些因素使得SARS-CoV-2传播更令人担忧和致命的。短期预测是不可避免的维持平衡的社会,经济和健康方面,在随后的几个月(9]。为了说明SARS-CoV-2并预测其传播的本质,有一个可怕的需要探索它对天气的影响。在这方面,我们研究的系统方法包括以下:(一)使用现有数据预测的数量实际COVID-19影响病例和死亡的总人数在未来几个月内有或没有在巴基斯坦天气数据。(b)确定脆弱的范围的气候因素和验证这些因素在不同时期通过统计分析。(c)帮助巴基斯坦政府机构和政策制定者采取新的策略来加强现有预防措施抗击COVID-19大流行。

Demongeot et al。10)确定SARS-CoV-2及其致命的毒力菌株在炎热和潮湿的气候条件下得到表达下调。COVID-19的假定与温度有关的毒性也有一位著名的医学领域的兴趣。而不是上面,我们的研究旨在确定关键因素依赖于温度和传输COVID-19动力学,从而增加寒冷和干燥的天气。

Sajadi与加雷熟识et al。11)解释了一个简化的模型描述一个区域的高毒性COVID-19暴发。Bloom-Feshbach et al。12]阐述了COVID-19盛行在寒冷的高,比温暖的温带气候,热带气候,承认呼吸道流感病毒。对自然距离计算和估计,但是过犹不及et al。13利用一个非自治susceptible-exposed-infected-removed(西)模型。本研究说明,如果到达4月开始工作,物理距离是最有效的措施。艾肯伯里等。14)表示,西珥模型旨在评估潜在的殖民地的影响采用面具公众COVID-19的灵活性和控制。全国研究推荐使用口罩和实施严格的使用。

相关研究工作应用机器学习工具来阐明天气的影响参数对传输和循环COVID-19似乎缺乏和需要更多的关注。此外,提升温度可能会或可能不会降低SARS-CoV-2传播,同样其他气象因素的作用也仍在争论。

因此,过去的研究是简洁的各种模型,发现也不是真实的。因此,现在是时候了解天气变量之间的关系在巴基斯坦和COVID-19流行病传播的。

2。材料和方法

2.1。数据收集

每日累计确诊病例总数和总死亡人数的官方网站获得国家卫生研究所(NIH)在伊斯兰堡,巴基斯坦。国家卫生研究所是一个独立的健康研究部门在巴基斯坦的国家卫生服务部门。它是位于伊斯兰堡和从事各种研究活动和疫苗。每日COVID-19诊断的情况下,复苏、死亡和COVID-19诊断测试在巴基斯坦进行更新NIH的官方网站(15]。

2.2。检查

收集到的数据从3月10日到12月20日,2020年,COVID-19和天气,进一步分为训练和测试数据集。训练数据集包含数据从3月10日到11月15日,2020年,和测试数据集数据从11月15日至12月20日,2020年。测试数据进一步分析累积数量的病例和死亡,没有天气数据。图2完整的数据显示了分为训练和测试数据集。

2.3。方法

我们有简单的机器学习模型,应用深度学习技术和统计模型预测的病例和死亡人数总数有或没有COVID-19天气数据。华宇电脑等时间序列预测模型,线性回归,支持向量机,延时,RNN, LSTM,格勒乌。统计时间序列预测模型的性能测量的均方误差(MSE)的均方根误差(RMSE)和平均绝对百分比误差(日军)。所有这些实验中,我们使用Python 3.8版本,Scikit-learn版本0.21.0,深度学习图书馆Keras v.2.2.5使用张量流的后端。

2.4。自回归整合移动平均(ARIMA)

有三种类型的ARIMA,即自回归,视数据集成和参数估计。所有这三种类型实现根据需要关注的问题(16,17]。时间序列形式的过程

在前面的方程,x^t和ɛ^t描述原始值和随机误差t。模型参数Ø一个(一个= 1、2…p)和Øb(一个= 0,1,2,…,问)。被定义为一个意想不到的错误ɛ^t与零均值和考虑σ2的标准方差。方程(1)代表了ARIMA模型,应用于各种应用程序解决问题。

以价值问在方程(= 0,1)是一个基于“增大化现实”技术的模型与秩序p,对于p= 0时,它就变成了MA模型与秩序问。因此,(p,问ARIMA模型确定的)都是不可避免的因素。

2.5。线性回归

线性回归可以被定义为 在哪里Y=因变量,X=自变量,α=拦截,b斜率=回归参数,ɛ=随机误差。

线性回归的缺点是,它通常平均输入和输入变量之间相关。不幸的是,一个简单的单变量的平均并不是一个完整的说明。

2.6。支持向量回归(支持向量机)

SVR涉及评估支持向量(点)附近的超平面升级边界两点人群获得客观价值和阈值之间的变化。SVR使用内核函数来阐明非线性问题,计算两个值之间的亲和力。我们在研究中使用线性核函数。SVR的主要优势是,它可以捕获的非线性预测,然后使用它来提高预测的情况。在同样的场景中,它有利于采取这种观点的案例研究使用因为样本是不够的18]。SVR的复杂的数据 wi =输入权值,y =实际值,b=偏见,米=数据样本总数。这种比较说明的目的利用SVR和| |W| | =向量的大小:

使支持向量机由两个不变量,也就是说,ɛ和ϵ 。他们是用来防止异常,1/2 | |W| | 2是用于函数的精度。两个规范依赖C参数。然后,方程(4)将转变成以下方程:

抑制,

最后,SVR任务访问

2.7。多层感知器(MLP)

多层感知器(MLP)是常用的人工神经网络(ANN)的建模和预测。评估任务简单semicomplicated数据集,这种方法提供了相当的精度。这是一个完全加入前馈人工神经网络中,神经元是重叠的19]。中长期规划层:输入、输出和隐藏层。输出层的提出研究病例和死亡的总数。向MLP用于这项研究有三个神经元在输入层,每个神经元对应一个输入数据点(总病例、死亡人数和天因为感染)。延时的方法易于实现。中长期规划相比,复杂的形式,导致高质量的模型,同时保持鲁棒性和准确性的预测。

因为MLP回归量只能恢复一个人的价值,必须使用一个自适应模型如果问题阻碍了多个输出值。尽管会有相似的模型,训练整个模型意味着将测试数据集,以便获得更好的预测模型来解决每个问题。在目前的研究中,三个独立的mlp就业。

2.8。递归神经网络(RNNs)

在深入学习中,假定分类模型比平面模型回归任务[更繁荣20.]。由于RNN持有隐状态分配在时间,它有利于他们积累之前的信息。此外,由于他们的能力分析可变长度的数据,他们大量用于预测(21]。我们的研究旨在分析和评估提出的预测模型,RNN, hyperparameters不同。RNNs的基本方面是考虑之前的数据生成的输出的影响。最重要的是,RNN是有效学习时间信息(22]。LSTM和格勒乌是两个健壮的RNN模型。这些插图描绘崇高结果精密度和准确度比较经典的时间序列模型,和常用的网络已经确认,他们可以实现多个输出各有目的域与时间序列23,24]。图3展示了概念框架的应用提出了模型描述的数据划分成训练和测试数据。此外,测试数据评估使用MSE, RMSE,日军,当训练数据验证通过ARIMA时间序列预测模型,线性回归,SVR,延时,RNN,格勒乌,日军。

2.9。封闭的复发性单位(格勒乌)

格勒乌是由(25消失),解决了标准RNN的梯度。格勒乌LSTM互惠,但加入LSTM到一个更新门。格勒乌进一步结合细胞和隐蔽的形式。它由一个细胞包含多个操作复制和可能是一个神经网络。当通过BPTT应用神经网络时,它可以防止梯度消失(26]。格勒乌层,由盖茨和重置更新盖茨,从流可以长期和短期学习相互依存25]。的数学不同格勒乌因素之间的相互关系

2.10。长短期记忆(LSTM)

LSTM的常见的应用是在语音识别和数据的预测。其强大的性能评估未来的预测建模为一系列回归问题引起了各种科学家的关注由于其应用,如活动识别,预测,解决风险,和秋天检测(27,28]。深度学习的方法,它会导致其他预测方法29日]。LSTM是RNN的类型,其最初目的是消除错误在之前的算法当backpropagating最近的输入事件中包含的信息(30.]。使用LSTM有两个原因。首先,它返回错误的机器校准模型的训练阶段。同时,故意错误已经应用于机械盖茨。第二,LSTM网络是公正的事件时间序列之间的滞后。因此,当我们试图推导出一个未知的预测模型,LSTM算法更有效比安的(如隐马尔科夫和SVR)或其他预测方法(如ARIMA) (29日]。

信息的流动,LSTM输入,输出和重复的大门。这些门是由加权和物流功能,和权重可以通过反向传播,在训练的过程。输入门管理单元状态和忘记门。输出是完成从输出门或隐藏状态,这说明了内存的使用方向。这个结构允许网络记住很长一段时间,而传统的单一RNN没有这样的记忆。LSTM的理想的特性是其扩展质量捕获长期依赖和强大的处理时间序列数据的能力。例如,给定输入时间序列X_t和隐藏单位的数量h,盖茨有以下方程:

, ,和 重量参数和 参数表示的偏见。 =重量参数,b_c偏差参数,o=elementwise乘法。的估计取决于输出信息的从记忆细胞( )和当前时间步 。

2.11。性能指标

测量误差的平方的平均值。这是平均平方估计的值和实际值之间的差异。MSE风险函数,对应平方误差损失的期望值:

3所示。均方根误差

均方根误差是一种常用的测量值之间的区别(样本或人口值)的预测模型或一个估计量和观察到的值:

3.1。平均绝对误差百分比

平均绝对百分比误差(日军)是衡量预测方法的预测精度的统计数据,例如,在趋势估计,也作为损失函数回归问题的机器学习。它通常表达的准确性比定义的公式

4所示。结果

评价COVID-19传输使用数学模型需要大量的训练数据集。数据集的大小影响提出算法的性能和在培训持有相当大的作用。数据集分为两部分,训练和测试数据集。训练数据集是在模型开发,而测试数据集被用来验证以前未使用的数据集(31日,32]。

COVID-19和天气因素之间的相互关系在巴基斯坦的情况下检查了在这个研究。COVID-19确诊病例数(因变量)对数转换,让它作为正态分布与原始数据高度倾斜在选定的区域。在指定时间内到11月15日,2020年,培训评估统计数据的情况下考虑巴基斯坦的湿度和温度数据。假设是高湿度和温度(天气变量)应当配合降低SARS-CoV-2病例数。数据4(一)和4 (b)说明之间的散点图证明感染人数相比,热读数在巴基斯坦和湿度。数据5(一个)和5 (b)描绘一个散点图中死亡的人数相比,温度和湿度在巴基斯坦。从这些发现,据悉,大气湿度增加(温度)和热阅读下降,感染病例的数量和死亡率也下降。

温度和湿度显示提升模式时,感染率下降。然而,这一事实是不可避免的,当阳光小时增加,人们之间相互作用增加。因此,感染率可能会提升。人们居住在城市地区也强烈影响,因为这意味着更高的人口密度,使COVID-19低。几个参数会影响COVID-19传播可以被视为一个潜在的载体。人口密度也很重要的流行蔓延。老年人更容易流行。数据6(一)和6 (b)描述的病例总数没有天气,而数字6 (c)和6 (d)表示死亡。在这两种情况下,我们可以观察到的数据6(一)和6 (c)实际和预测图线的区别是比数据更重要6 (b)和6 (d)。预测评估天气数据显示的天气参数改善预测结果。

为了理解是否天气参数,即温度和湿度包容、影响结果与否,我们创建了更全面的利用ARIMA时间序列预测模型,线性回归,SVR,延时,格勒乌,LSTM。当前的时间序列预测模型提供更好的便利来阐明气象参数对传染病传播的影响。此外,这些时间序列模型帮助说明的真实数量之间的相互关系证明的情况下,死亡,和天气因素。表1和2预测的病例总数(实际与预测)和表3和4精致的死亡总数(实际与预测)和不包括天气变量,这些模型的性能在哪里显示MSE、RMSE,日军。

5。讨论

本研究旨在找出七届系列的一个输出预测模型,没有天气数据的总数COVID-19病例和死亡率。在表1,很明显,LSTM取得更好的结果较低的MSE, RMSE,日军的价值观。插图,LSTM模型实现了日军值0.022,0.0217,0.0208,0.0198,0.0176,0.0164,和0.0155的病例总数在巴基斯坦天气数据。因此,描述的结果,预测新COVID-19 LSTM确诊病例的崇高的性能。实际与预测的效率总病例数与气象数据COVID-19承诺和明显。LSTM的表现优于其它模型相比,它能够处理更少的数据集(线性回归、SVR MLP、RNN和格勒乌),可能需要较长的数据来评估相关波动时间序列数据已经一个更好的选择。相反,RNN及其更新版本格勒乌适应相对平衡的预测性能评价指标(RMSE和日军),并解释了方差含糊不清地执行。

性能的时间序列ARIMA模型,线性回归,SVR,延时,RNN,格勒乌,在MSE LSTM, RMSE,日军总数的预测情况下不考虑天气数据参数(温度和湿度)如表所示2。很明显,值的均方误差、均方根误差和日军历史系列预测模型是增强没有添加天气数据;例如,格勒乌显示值为180.8178718,13.4468536,0.018989281,MSE, RMSE,日军没有天气数据。相反,它是140.0163399、11.83285003和0.01641411,分别为病例数与气象参数。

同样的,表3显示了应用程序的时间序列预测模型在巴基斯坦死亡的数量,考虑到天气参数,温度和湿度。LSTM显示最好的MSE、RMSE和日军的价值观,也就是1711年,41.36423576,和0.492211157,分别。但在表4据预测,如果我们看到性能的时间序列ARIMA模型,线性回归,SVR,延时,RNN,格勒乌,和LSTM MSE, RMSE,和日军没有温度和湿度,模型的准确性下降。在两个表3和4ARIMA模型显示,最少的准确性和高误差值,和LSTM预测均方误差的最小值,RMSE,日军。

根据我们的研究结果显示在表中1- - - - - -4,它可以说明天气湿度和温度可以弥漫SARS-CoV-2参数。的结果,我们可以得出结论,可以有高架流行病传播时大气温度和湿度下降。而另一方面,当气温和湿度都很高,SARS-CoV-2的感染率下降。在预测的病例和死亡人数总数和没有巴基斯坦的天气数据,当前的研究深度学习模型之间的相似性说明使用时间序列ARIMA模型,线性回归,SVR,延时,RNN,格勒乌,LSTM训练数据集。目前的研究结果阐明LSTM崇高的表现比其他模型的显示精度高和精度比其他时间序列预测模型。

在这项研究中,我们关注来自巴基斯坦的病例和死亡病例的数量。首先,每个模型训练。然后,我们预测每个变量。参数建立ARIMA、线性回归、SVR,延时,RNN,格勒乌和LSTM模型基于训练数据集展示在表5。

6。结论

目前的调查分析的影响主要气象因素(温度和湿度)报告的病例和死亡的数量由于COVID-19在巴基斯坦。ARIMA等不同的时间序列预测模型,线性回归,SVR,延时,RNN,格勒乌,和LSTM被使用,和执行的每个模型分析了MSE、RMSE,日军。结果表明LSTM可以更好地预测COVID-19传播比其他模型。故意从目前的结果,我们可以得出这样的结论:天气持有COVID-19预测意义。因此,建议戴上口罩和个人防护穿,保持社会距离,继续隔离(感染/怀疑),直到温度上升或疫苗是完全部署。进一步预测COVID-19传播/发病率考虑降雨等气候参数,风速等等提供额外的线索来减轻流行。

数据可用性

使用的数据阐述本研究的结果和发现包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Humera Batool概念研究、开发方法、表现形式分析,本文回顾和编辑,执行验证和执行可视化。立信田综述文章、执行监督和执行项目管理。

确认

这项工作得到了国家自然科学基金(授予号。71690242,71690242,11731014)。

引用

1. c·鲍里斯·h·马斯顿,a . Fauci”Infeksi coronavirus-lebih达里语sekedar pilekCoronavirus Infections-More jold相比,“《美国医学会杂志》卷,323年,第708 - 707页,2020年。视图:出版商的网站|谷歌学术搜索
2. 问:布哈里j·m·马萨罗r b D \ ' agostino博士和美国汗,“天气对冠状病毒大流行的影响。”国际环境研究和公共卫生杂志》上,17卷,p。5399年,2020年。视图:出版商的网站|谷歌学术搜索
3. Worldometer,Covid-19冠状病毒大流行美国,Yorkville Worldometer IL 2020。
4. k . Kupferschmidt和j·科恩,“中国covid-19战略能在其他地方工作吗?”科学,卷367,不。6482年,第1062 - 1061页,2020年。视图:出版商的网站|谷歌学术搜索
5. j . Hamzelou“世界封锁”,新的科学卷,245年,第30614 - 30611页,2020年。视图:出版商的网站|谷歌学术搜索
6. m . m . Sajadi与加雷熟识,p . Habibzadeh a . Vintzileos s Shokouhi f . Miralles-Wilhelm a阿莫鲁索,“温度、湿度和纬度分析预测潜在传播和季节性covid-19,”SSRN,9卷,3550308页,2020年。视图:出版商的网站|谷歌学术搜索
7. m . Yousaf查希尔,m . Riaz来说,s·m·侯赛因和k·沙阿,”统计分析预测covid-19为即将到来的月在巴基斯坦,“混沌分形孤波,卷138,p . 2020。视图:出版商的网站|谷歌学术搜索
8. l . m .卡萨诺瓦,s .全w·a·Rutala d·j·韦伯和m . d . Sobsey”的影响空气温度和相对湿度对冠状病毒生存在物体表面,”应用环境微生物学卷,76年,第2717 - 2712页,2010年。视图:出版商的网站|谷歌学术搜索
9. f . Petropoulos和美国Makridakis预测新型冠状病毒covid-19。”《公共科学图书馆•综合》15卷,2020。视图:出版商的网站|谷歌学术搜索
10. j . Demongeot y Fleet-Berliac, h·塞et al .,“温度降低扩散参数的新covid-19动态情况下,“生物学,9卷,2020年。视图:出版商的网站|谷歌学术搜索
11. m . Sajadi与加雷熟识,p . Habibzadeh a . Vintzileos s Shokouhi f . Miralles-Wilhelm a阿莫鲁索,“温度、湿度、和纬度分析来估计潜在的冠状病毒传播和季节性疾病2019 (covid-19)”JAMA Netw OpenJAMA网络开放,3卷,11834页,2020年。视图:出版商的网站|谷歌学术搜索
12. k . Bloom-Feshbach j•阿隆索,诉Charu“纬度的变化在季节性流感和呼吸道合胞病毒(RSV)的活动:一个全球性的比较评论,”《公共科学图书馆•综合》2013年,8卷,p。14日。视图:出版商的网站|谷歌学术搜索
13. k . 06 y . Liu t·w·罗素et al .,“混合控制策略来减少社会的影响对结果的covid-19流行在武汉,中国:造型的研究,“柳叶刀公共卫生2020年,5卷,pp. e261-e270。视图:出版商的网站|谷歌学术搜索
14. S.E.艾肯伯里,m·曼库索和e . Iboi”面具还是面具:建模的潜力面罩使用公众限制covid-19大流行,”感染疾病模型5卷,第308 - 293页,2020年。视图:出版商的网站|谷歌学术搜索
15. 国家卫生研究所,伊斯兰堡,巴基斯坦,https://www.nih.org.pk/,2020年。
16. j .孔特雷拉斯r . Espinola F.J.诺加利斯,A.J.说,“Arima模型预测次日电价。”IEEE电力系统18卷,第1020 - 1014页,2003年。视图:出版商的网站|谷歌学术搜索
17. r . Adhikari,上面写道:“一个介绍性的研究时间序列建模和预测,”2013年,http://arxiv.org/abs/1302.6613。视图:谷歌学术搜索
18. h·德鲁克C.J. Burges l·考夫曼,a . Smola诉Vapnik,“支持向量回归机,”先进的神经信息处理系统9卷,第161 - 155页,1996年。视图:谷歌学术搜索
19. 科学博士,i E,助教Madani et al .,“2019 - ncov持续流行的新型冠状病毒威胁全球卫生——最新的2019年新型冠状病毒爆发在武汉,中国,“国际传染病杂志》上卷,91年,第266 - 264页,2020年。视图:出版商的网站|谷歌学术搜索
20. y Bengio,人工智能的学习深入架构现在出版商公司,荷兰,2009年。
21. 答:坟墓,”与复发性神经网络生成序列”,2013年,http://arxiv.org/abs/1308.0850。视图:谷歌学术搜索
22. A . Zeroual f .耙、A . Dairi和y太阳,“深度学习方法预测covid-19时间序列数据:比较研究,“混乱孤子FractalsChaos、孤波和分形,卷140,p . 2020。视图:出版商的网站|谷歌学术搜索
23. f .耙、f . Kadri和y太阳,“预测光伏太阳能生产使用lstm方法,”高级统计建模、预测和可再生能源系统的故障检测施普林格,柏林,德国,2020年。视图:谷歌学术搜索
24. A.S. Ashour,玫瑰油,n .戴伊h . Abd Elkader和m . Elnaby”基于长期短期记忆的病人——雾依赖模型检测在帕金森病,”模式识别的字母,131卷,2019年。视图:谷歌学术搜索
25. k .赵b . Van Merrienboer c . Gulcehre d Bahdanau et al .,“学习短语表示使用RNN encoder-decoder统计机器翻译,”2014年,http://arxiv.org/abs/1406.1078。视图:谷歌学术搜索
26. j .钟c . Gulcehre k .赵,y Bengio,“封闭的复发性神经网络的经验评估序列建模,”2014年,http://arxiv.org/abs/1412.3555。视图:谷歌学术搜索
27. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算9卷,第1780 - 1735页,1997年。视图:出版商的网站|谷歌学术搜索
28. g .福布斯美国强大,嗉囊,“从传感器数据下降预测使用行为建模在智能家居中,“人工智能审查53卷,第1091 - 1071页,2020年。视图:出版商的网站|谷歌学术搜索
29. d r, g . Li方,韩x”旅游需求预测:深度学习的方法,”《旅游研究卷,75年,第423 - 410页,2019年。视图:出版商的网站|谷歌学术搜索
30. y Bengio、p . Simard和p . Frasconi”学习与梯度下降的长期依赖性是困难的,”IEEE过渡神经网络5卷,第166 - 157页,1994年。视图:出版商的网站|谷歌学术搜索
31. t . Trappenberg机器学习与sklearn英国牛津,牛津大学出版社,2019年。视图:出版商的网站
32. w·m·李,开始使用Scikit-learn机器学习约翰•威利& Sons Inc .霍博肯,新泽西,美国,2019年。视图:出版商的网站

版权

版权©2021 Humera Batool,立信田。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。