预测感染性腹的发生率与症状监测数据,使用基于堆叠的组合模型

科学领域:

• 流行病学 流行病学
• 公共卫生 公共卫生
• 机器学习 机器学习

背景情况:

• 传染性腹是全球重要的公共卫生问题.
• 准确预测传染性腹发病率对于有效的公共卫生干预至关重要.
• 这项研究旨在利用先进的建模技术提高传染性腹的预测.

研究的目的:

• 开发和评估传染性腹发病率的预测模型.
• 为了比较症状监测数据与气象数据在提高预测准确性的有效性.
• 与单个基底模型相比,评估堆叠组合模型的性能.

主要方法:

• 利用广州 (2016-2021) 传染性腹病例,症状和气象因素的监测数据.
• 开发了四种基本预测模型:人工神经网络 (ANN),长期短期记忆 (LSTM) 网络,支持向量回归 (SVR) 和极端梯度增强 (XGBoost).
• 使用堆叠组合基础模型,创建最终的预测模型,用MAPE,RMSE和MAE进行评估.

主要成果:

• 与仅使用气象数据的模型相比,结合症状监测数据的模型显示出更高的性能 (较低的RMSE,MAE,MAPE).
• 在基础模型中,LSTM模型表现出了最佳的个人性能.
• 堆叠组合模型实现了最高的精度,RMSE,MAE和MAPE分别为75.82,55.93和15.70%,优于所有基本模型.

结论:

• 症状监测数据比气象数据更有效,可以提高传染性腹预测模型的准确性.
• 堆叠组合方法提供了一个强大的方法来结合多个模型,克服选择一个单一的最佳模型的挑战,并产生卓越的预测性能.