基于广义回归神经网络的短期腹泻病多步预测方法

摘要

本发明公开了一种基于广义回归神经网络的短期腹泻病多步预测方法，该方法包括读入需要进行训练和测试的数据；对数据进行相关性分析，从中选择显著相关的气象因素；对得到的显著相关因素，进行主成分分析，提取特征；将训练数据作为广义回归神经网络多步预测模型的输入，构建广义回归神经网络多步预测模型；通过不断迭代和递归，建立多步预测模型；广义回归神经网络的预测结果按等级划分；本发明从根本上克服了现有技术的缺陷，对训练样本要求低，不存在局部极小化的问题，参数少，训练速度更快，预测准确度更高，可分别针对儿童和成人进行预测，在缺失气象数据的情况下依然可以准确快速地预测短期腹泻病。

主权项

一种基于广义回归神经网络的短期腹泻病多步预测方法，其特征在于该方法包括以下具体步骤：(1)训练数据和测试数据：在5～7年某地区腹泻发病人数和气象数据中选择最近一年的腹泻发病人数和气象数据作为测试数据，剩余几年的腹泻发病人数和气象数据作为训练数据；(2)数据预处理：对训练数据进行数据清洗和归一化处理；(3)相关性分析：对训练数据进行Spearman相关性分析，从中选择显著相关的气象因素；(4)主成分分析：对步骤(3)选择的气象因素进行主成分分析，提取特征；(5)基于广义回归神经网络建模：以步骤(4)提取的特征作为广义回归神经网络的输入，采用高斯函数作为径向基函数，输出腹泻发病预测结果，对广义回归神经网络进行仿真训练，确定广义回归神经网络的权值和阈值，对儿童和成人分别建立24小时单元或多元多步预测模型，通过将数据输入预测模型获得预测结果，按百分位数法对预测结果进行等级划分。