一种基于深度学习的方法,用于预测COVID-19诊断

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:

• 准确预测COVID-19病例对于公共卫生干预至关重要.
• 像ARIMA和数学建模这样的传统方法在复杂的流行病预测方面存在局限性.
• 深度学习有可能提高疾病预测的准确性.

研究的目的:

• 为了预测沙特阿拉伯的COVID-19确诊病例.
• 为了比较ARIMA,数学建模和深度神经网络 (DQN) 的预测性能.
• 确定最有效的COVID-19病例预测方法,以告知公共卫生战略.

主要方法:

• 使用自回归集成移动平均线 (ARIMA) 模型.
• 运用数学建模技术进行时间序列预测.
• 应用深度神经网络 (DQN) 算法用于比较预测.
• 数据涵盖了2020-2021年沙特阿拉伯,英国和突尼斯的COVID-19病例.

主要成果:

• 深度神经网络 (DQN) 技术的性能优于传统的ARIMA和数学建模方法.
• DQN在预测COVID-19病例数量方面表现出更高的效率和准确性.
• 对比分析强调了深度学习在流行病预测中的优势.

结论:

• 深度学习网络 (DQN) 是预测COVID-19病例的更可靠,更准确的方法.
• 这些发现支持采用先进的计算方法为公共卫生做好准备.
• 增强的预测能力可以大大帮助规划和执行有效的干预措施.