《表2 关键代码：基于长短期记忆网络的COVID-19疫情趋势序列分析预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于长短期记忆网络的COVID-19疫情趋势序列分析预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在进行实验时，首先打开数据集，读取数据的1～5列。在第二条语句中样本序列长度（time step）为14，每个数据输入维度4，全连接层的dropout为0.2，循环体中的dropout比例为0.2。定义损失函数为交叉熵，优化方法为Adam，模型评价标准为分类正确率。实验设定Batch size=500，epoch=500。在图10中样本集的折线为深色，测试集的折线为浅色。可以看出实验结果与真实数据匹配度较高，实验没有出现梯度消失以及梯度爆炸等问题。LSTM模型适合用于做疫情序列问题预测模型。