[发明专利]基于广义回归神经网络的短期腹泻病多步预测方法

权利要求书

1.一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。

2.根据权利要求1所述的方法，其特征在于所述步骤(1)中气象数据为日平均气温、日最高气温、日最低气温、日最低相对湿度、日平均相对湿度、日平均气压、日平均风速、日照时数和日累计降雨量。

3.根据权利要求1所述的方法，其特征在于所述步骤(2)中对训练数据进行数据清洗和归一化处理，具体包括：

数据清洗是检查数据一致性，针对训练数据中存在的缺失数据、噪声数据、错误数据、冗余数据分别进行处理：

缺失数据：使用缺失数据前后一周的数据的平均值进行填充；

噪声数据：通过画散点图识别噪声数据，然后由用户进行确认及更正；

错误数据：通过和用户确认的方式纠正错误数据；

冗余数据：人工删除冗余数据；

归一化处理是为了加快广义回归神经网络的收敛速度，采用公式(1)对训练数据进行归一化处理：

xij=0.9×Xij-min(Xi)max(Xi)-min(Xi)+0.05---(1)]]>

其中，X为训练数据矩阵，X_ij为矩阵中的元素，X_i为矩阵中的一行,x_ij是归一化后的结果。