基于图像对天气现象进行识别，对天气状况的分析至关重要。针对传统的机器学习方法对各类天气特征难以准确提取且天气现象分类效果差，以及深度学习对天气现象识别的准确率不高的问题，提出了基于图像分块和多头注意力机制的天气识别模型。该模型首次将Swin Transformer引入天气识别领域中，采用了窗口多头自注意层与移位窗口多头自注意层相结合的多头注意力机制。结果表明，其区域相关特征提取能力弥补传统方法的不足，能够提取图像中复杂的天气特征。采用迁移学习对模型进行训练，将微调模型的全连接参数输入到Softmax分类器，实现了对多类别天气图像的识别，识别准确率为99.20%，优于对比的几种主流方法。因此，该方法可以作为天气识别模块应用于地面气象识别系统。

新冠肺炎病毒等疫情受多种复杂现实因素的影响，因此疫情的发展存在不确定性。为了解决基于传染病仓室模型受自身诸多理想假设条件的限制而导致疫情预测结果误差较大的问题，采用基于深度学习的时序预测模型对疫情发展进行预测，建立了一种基于Transformer模型的Informer模型，并将注意力机制和蒸馏机制应用到疫情数据的时序预测中。以门限自回归(Threshold AutoRegressive, TAR)模型和多种主流的循环神经类时序预测模型作为对比模型，通过仿真实验，对中国、美国和英国的疫情数据当前尚存感染人数进行短期预测，并以均方根误差（RMSE）和平均绝对误差（MAE）为评价指标，选择最佳模型进行了中长期的预测。结果表明，无论是RMSE还是MAE，Informer模型的指标值都是最优的，表明Informer模型对中国、美国和英国疫情的预测精度比其他对比模型高。最后，使用Informer模型对中国、美国和英国的疫情发展进行了中长期预测。

因客户数据量庞大、各种理财产品的兴起和疫情的短期冲击，银行面临的压力越来越大，使用数据分析和预测方法能够更大程度提升银行的业务量。使用传统的分类树模型无法根据客户信息对可能长期存款的客户做出更加精准的预测，从而导致无法对客户进行精准营销。因此，提出了一种分三层搭建的神经网络模型。通过实验，对葡萄岛银行机构客户数据进行预测，并和传统的决策树模型、随机森林模型、Adaboost模型、XGBoost模型的预测结果进行了对比。结果表明，相比于其他四种模型，神经网络模型预测效果更好，模型评估AUC达到了0.977 7，准确率达到了99.06%。

长期以来，研究人员大都通过对染病节点在复杂网络中的传播过程进行分析，进而达到预测和防治传染病传播的目的。将SEIR传播动力学模型推广至无向无权大型小世界网络中，并为节点间赋予权值作为感染能力，选用2种初始节点选择方法进行多次仿真实验；在传统的通过感染人数、感染阈值判断传播影响的基础上，又增加了感染概率、峰值、拐点时间的具体值，更加全面地分析了初始节点选择对传播过程的影响。结果表明，初始节点的度与介数越大，其传播的规模越大，传播速度越快，达到平衡时间越短。研究内容可为预防和控制传染病传播提供一定的参考价值。