Hyper-parameter tuning for long short-term memory (LSTM) algorithm to forecast a disease spreading

Abstract

Глубокое обучение, искусственный интеллект и машинное обучение - это способы поддержки технологий в принятии решений в режиме реального времени для контроля распространения пандемии, что может помочь организациям здравоохранения. Цель данного исследования – изучить настройка гиперпараметров для долговременной краткосрочной памяти для прогнозирования случаев заражения Ковид-19 в Российской Федерации путем выборки наилучшей функции потерь, функции активации, количество эпох, количество нейронов в ячейке и оптимизатор для минимизации ошибки в дополнение к хорошей подгонке модели, где производительность модели хороша как на обучающем, так и на валидационных наборах. Основанная на машинном обучении долговременная кратковременная памяти (LSTM), преимущество которой заключается в анализе взаимосвязи между временными рядами данных благодаря своей функции памяти мы предлагаем метод прогнозирования для ежедневных случаев заражения Covid-19 инфекции на основе двунаправленной LSTM. При этом мы используем около 10 различн

Deep learning, artificial intelligence, and machine learning are ways for technologies to support decision-making in real-time to control the spread of the pandemic, which can help healthcare organizations. This study aims to investigate hyper-parameter tuning for Long Short-Term Memory to forecast Covid-19 infection cases in the Russian Federation by pick the best loss function, activation function, number of epochs, number of neurons in a cell, and optimizer to minimize the error in addition to a good fit for the model where the performance of the model is good on both the training and validation sets. Based on machine learning long short-termmemory (LSTM), which has the advantage of analyzing relationships among time series data through its memory function, we propose a forecasting method for daily Covid-19 infection cases based on bidirectional LSTM. In the meanwhile, we use about 10 different forecasting models to forecast the daily Covid-19 infection cases one by one. Moreover, the results of these mod