斯瓦提Tyagi;谢夫·古普塔;赛义德·阿巴斯;达斯，克里希纳·帕达;里亚德，巴扎乌伊 通过SEIQR流行病模型分析传染病传播和预测。 （英语） Zbl 1466.92209号 非自动。动态。系统。 8, 75-86 (2021). 总结：在文献中，已经开发了各种数学模型，以便更好地了解传播动力学和控制传染病的传播。为了更多地探索传染病的各个方面，在这项工作中，我们通过SEIQR（敏感-暴露-感染-隔离-恢复）数学模型及其控制措施提出了概念性数学模型。我们建立了解的正性和有界性。我们还计算了基本繁殖数，并研究了平衡点的稳定性及其流行病学相关性。为了验证模型并估计预测疾病传播的参数，我们考虑了新冠肺炎的特殊情况，以研究来自https://www.worldometers.info/冠状病毒俄罗斯和印度。为了更好地了解情况，除了数学模型外，还训练了一个基于历史的LSTM模型，以学习新冠肺炎时间序列中的时间模式并预测未来趋势。最后，将数学模型和基于LSTM的模型的未来预测进行了比较，以获得可靠的结果。 引用于4文件 MSC公司： 92天30分 流行病学 92-10 生物相关问题的数学建模或模拟 关键词：传染病;数学模型;稳定性分析;长短期记忆网络;参数估计 软件：Be-CoDiS公司;iOverbook公司 PDF格式BibTeX公司 XML格式引用 \textit{S.Tyagi}等人，非自动。动态。系统。8、75-86（2021年；Zbl 1466.92209） 全文： 内政部 参考文献： [1] https://www.who.int/emergencies/diseases/novel-conarovirus-2019 [2] https://www.worldometers.info/冠状病毒 [3] Kamrujjaman，M.、Mahmud，M.S.和Islam，M.S（2020年）。冠状病毒爆发和Covid-19的数学增长图。生物学年度研究与评论，72-78。 [4] Verdière，N.、Lanza，V.、Charrier，R.、Provitolo，D.、Dubos-Paillard，E.、Bertelle，C.和Alaoui，A.（2014年6月）。灾难事件中人类行为的数学建模·Zbl 1352.34067号 [5] Ivera，B.和Ramos，A.M.（2020年）。应用Be-CoDiS数学模型预测2019-20年武汉冠状病毒疫情的国际传播。研究门预印本，9，1-13。 [6] Diekmann，O.、Heesterbeek，J.A.P.和Roberts，M.G.（2010年）。为分区传染病模型构建下一代矩阵。《皇家学会界面杂志》，7（47），873-885。 [7] Li，M.Y.和Muldowney，J.S.（1996）。全局稳定性问题的几何方法。SIAM数学分析杂志，27（4），1070-1083·Zbl 0873.34041号 [8] Srivastav，A.K.和Ghosh，M.（2016）。具有最优控制的猪流感症状和无症状感染的建模和分析。地球系统与环境建模，2（4），1-9。 [9] Zhang，L.，Zhou，W.D.，Chang，P.C.，Yang，J.W.，&Li，F.Z.（2013）。多支持向量回归模型的迭代时间序列预测。神经计算，99，411-422。 [10] Caglar，F.和Gokhale，A.（2014年6月）。iOverbook：智能资源冗余，支持云中的软实时应用程序。2014年IEEE第七届云计算国际会议（第538-545页）。 [11] Gupta，S.和Dinesh，D.A.（2017年）。云网络资源使用预测的在线适应模型。2017年第二十三届全国通信会议（NCC）（第1-6页）。 [12] Gupta，S.、Dileep，A.D.和Gonsalves，T.A.（2016）。基于分数差分的云网络资源预测混合模型。第五届网络、通信和计算国际会议论文集（第93-97页）。 [13] 张国平（2003）。使用混合ARIMA和神经网络模型进行时间序列预测。神经计算，50159-175·Zbl 1006.68828号 [14] Chaábane，N.（2014年）。用于电价预测的ARFIMA和神经网络混合模型。国际电力与能源系统杂志，55187-194。 [15] Gupta，S.、Dileep，A.D.和Gonsalves，T.A.（2018年）。一个联合特征选择框架，用于使用稳定性和预测性能预测云服务器中的多元资源使用情况。超级计算杂志，74（11），6033-6068。 [16] Song，B.、Yu，Yu、Zhou，Y.、Wang，Z.和Du，S.（2018年）。云计算中具有长短期内存的主机负载预测。《超级计算杂志》，74（12），6554-6568。 [17] Gupta，S.和Dileep，A.D.（2020年）。基于相关性反馈的云服务器资源瓶颈预测在线学习模型。神经计算。第402卷，307-322。 [18] Zhao，F.，Zeng，G.Q.和Lu，K.D.（2019）。EnLSTM-WPEO：通过集成LSTM、NNCT权重集成和人口极值优化进行短期交通流预测。IEEE车辆技术汇刊，69（1），101-113。 [19] Chakraborty，K.、Mehrotra，K.、Mohan，C.K.和Ranka，S.（1992年）。使用神经网络预测多元时间序列的行为。神经网络，5（6），961-970。 [20] Hirwa J.S.&Cao J（2014）《云中资源性能预测的集成多元模型》。收录于：网络与并行计算NPC 2014，计算机科学讲义，第8707卷，第333-346页。 [21] Peña，D.和Sánchez，I.（2007年）。衡量多元预测与单变量预测的优势。时间序列分析杂志，28（6），886-909·Zbl 1150.62061号 [22] Harris，R.I.（1992年）。使用扩展的Dickey-Fuller检验测试单位根：与测试的大小、功率和滞后结构有关的一些问题。《经济学快报》，38（4），381-386·Zbl 0775.62234号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。