STMS

引用：Kamana E，Zhao J，Bai D.使用LSTMSEQ2SEQ深度LEAL

►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。 ►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。 通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。 ►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。 在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。 其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。 在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。 但是，在疟疾病例较少的省份中的影响并不显着。 ►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。但是，在疟疾病例较少的省份中的影响并不显着。►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。