使用基于注意力的长期短期记忆 (LSTM) 方法预测登革热病例
Mokhalad A Majeed1, Helmi Z M Shafri2, Aimrun Wayayok3
1Department of Civil Engineering, Faculty of Engineering, Universiti Putra Malaysia (UPM). mokhaladgis@gmail.com.
Geospatial health
|May 29, 2023
概括
这项研究引入了对长短记忆 (LSTM) 模型的注意力机制,以改善登革热预测. 改进的LSTM模型准确地预测1-6个月的登革热病例,优于传统方法.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 登革热是全球重要的健康问题,需要准确的预测模型.
- 现有的预测模型经常与登革热爆发的复杂时间动态作斗争.
- 开发先进的预测工具对于有效的公共卫生干预至关重要.
研究的目的:
- 提出和评估一种与长期短期记忆 (LSTM) 网络集成的新型"时间注意力"机制,以提高登革热预测.
- 将拟议的基于注意力的LSTM模型的性能与各种基准机器学习模型进行比较.
- 调查不同回顾期对登革热预测模型准确性的影响.
主要方法:
- 从五个马来西亚州 (2011-2016) 收集每月登革热病例数据.
- 利用气候,人口,地理和时间属性作为预测共变量.
- 开发并比较基于注意力的LSTM (A-LSTM,SA-LSTM) 模型与线性支向量机 (LSVM),辐射基函数支向量机 (RBFSVM),决策树 (DT),浅层人工神经网络 (SANN) 和深层人工神经网络 (D-ANN).
主要成果:
- 基于注意力的LSTM (A-LSTM) 模型在登革热预测方面表现优异.
- 堆叠的注意力LSTM (SA-LSTM) 取得了第二好的结果,超过了基准模型.
- 所有LSTM变种 (LSTM,S-LSTM,A-LSTM,SA-LSTM) 准确地预测了1-6个月前的登革热存在,特别是当包括所有属性时.
- 注意力机制显著提高了LSTM模型的准确性.
结论:
- 拟议的时间注意力机制提高了登革热预测LSTM模型的性能.
- 与现有方法相比,基于注意力的LSTM模型提供了更准确,更可靠的预测工具.
- 这种方法有可能在不同地理区域的登革热预测中应用.
