【论文标题】Deep learning via LSTM models for COVID-19 infection forecasting in India 【作者团队】Rohitash Chandra, Ayush Jain, Divyanshu Singh Chauhan 【发表时间】2021/01//28 【机 构】悉尼新南威尔士大学数学与统计学院，澳大利亚 【论文链接】https://arxiv.org/pdf/2101.11881.pdf

【推荐理由】本文出自悉尼新南威尔士大学数学与统计学院，针对近期蔓延的COVID-19病毒，尝试搭建了长短期记忆网络（LSTM），通过预测结果表明该长期预测模型有希望进行其他国家和地区的病毒预测。

我们进入了一个病毒蔓延严重的时代，这个时代已经动摇了世界，对医疗系统，经济和农业产生了重大影响。由于感染传播的复杂性，表现突出的计算模型和数学模型不可靠。此外，由于缺乏数据收集和报告功能，因此任何此类挂牌尝试都不可靠。因此，我们需要使用最新的数据源和最全面的预测模型重新审视这种情况。深度学习模型，例如递归神经网络非常适合于建模时空序列。在本文中，著名的递归神经网络，特别是长短期记忆（LSTM）网络，双向LSTM和用于多步（短期）的ncoder-decoder LSTM模型，可预测印度选定州之间COVID感染的蔓延。作者团队根据感染率选择带有COVID-19热点的州，并与感染被控制或达到高峰的州进行比较，并提前两个月提供预测，表明病例将缓慢下降。结果表明，长期的预测是有希望的，这将激励该方法在其他国家或地区的应用。此外，尽管该研究在预测上取得了一些进展，但是由于数据和难以捕捉的因子，诸如人口密度，后勤以及文化和生活方式等社会方面的因素，建模方面的挑战仍然存在。 下图为本文应用的长短期记忆网络架构图。

图1 长短期记忆网络架构图