深度进化融合神经网络:传染病发病率的新预测标准
Tianhua Yao1, Xicheng Chen1, Haojia Wang1
1Department of Health Statistics, College of Preventive Medicine, Army Medical University, NO.30 Gaotanyan Street, Shapingba District, Chongqing, 400038, China.
BMC bioinformatics
|January 23, 2024
概括
这项研究引入了一种新的传染病预测模型,集成多种方法和互联网数据,实现卓越的准确性和通用性. 开发的SA-LSTM模型为预测传染病发病率设定了新的基准.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 现有的传染病发病率预测方法显示不同程度的成功.
- 需要结合线性/非线性方法和互联网数据的预测基准.
研究的目的:
- 开发一种先进的传染病发病率预测模型.
- 整合多种预测方法和多源数据以提高准确性.
主要方法:
- 使用季节性自回归集成移动平均 (SARIMA),非线性自回归神经网络 (NAR) 和长期短期记忆 (LSTM) 模型.
- 开发了一个深度进化融合神经网络 (DEFNN),结合了神经进化和数据融合.
- 通过将多源互联网数据 (百度指数) 与官方传染病数据集集集成,创建了DEFNN+.
主要成果:
- 与单个模型相比,SA-LSTM模型在参考数据集上表现明显更好 (0.4919的损失).
- SA-LSTM在外部国家和区域数据集上表现出良好的概括性,损失值各不相同.
- 将多源数据集成到DEFNN+中,提高了国家数据集的预测准确度.
结论:
- 一个优化的SA-LSTM模型为传染病发病率预测提供了高准确性和概括性.
- 该DEFNN框架增强了传染病预测方法,并建立了一个新的基准.
- 这项研究为预测各种传染病发病率提供了宝贵的参考.
