使用缓慢和快速混合学习进行差分神经网络预测:适用于预测COVID-19感染和死亡的应用动态

科学领域:

• 计算建模计算建模
• 流行病学预测 流行病学预测
• 非线性动力学是一种非线性动力学.

背景情况:

• 预测复杂的物理过程通常涉及非线性普通微分方程.
• 随着COVID-19的爆发,人们越来越需要准确的短期预测模型.
• 动态系统可以用具有时间变化的参数的微分方程来表示.

研究的目的:

• 提出和验证一种新的混合学习方法,用于预测动态系统.
• 应用这种方法来预测COVID-19疫情数据.
• 评估拟议方法的性能与现有方法相比.

主要方法:

• 采用了具有时间变化的权重的差分神经网络 (DNN) 模型.
• 开发了一种混合学习方案,将信号分解成缓慢和快速的组件.
• 该方法在COVID-19感染和死亡率数据上进行了测试,用于70天的预测.

主要成果:

• 拟议的方法证明了COVID-19数据的竞争性预测性能.
• 对流行病学数据来说,信号分解成缓慢和快速组件被证明是有效的.
• 该模型成功地预测了长达70天的趋势.

结论:

• 混合DNN方法为预测非线性动态系统提供了一种可行的方法.
• 这种技术在流行病学预测和公共卫生应用方面表现有前途.
• 进一步的研究可以探索其适用于其他复杂的物理过程.