准确预测新加坡登革热:一种机器学习方法,结合气象数据

科学领域:

• 环境科学 环境科学
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 登革热在新加坡构成了重大公共卫生挑战.
• 现有的登革热预测模型面临着方法上的局限性.
• 了解气象因素与登革热传播之间的联系对于有效控制至关重要.

研究的目的:

• 为了提高新加坡登革热预测的准确性.
• 调查气象数据与登革热传播动态之间的关系.
• 评估各种机器学习算法用于登革热预测的性能.

主要方法:

• 利用了2012年至2022年的每周登革热病例和气象数据.
• 应用机器学习算法:GLM,SVM,GBM,DT,RF和XGBoost. 这些算法包括:
• 使用MAE,RMSE和R平方指标评估模型性能.

主要成果:

• 2012年至2022年期间记录了超过164,000例登革热病例,2020年达到峰值.
• 登革热病例表现出强烈的季节性 (三月至七月) 和与太阳辐射,太阳能和紫外线指数的显著相关性.
• XGBoost模型实现了最好的预测性能 (MAE=89.12,RMSE=156.07,R2=0.83),确定时间和云覆盖作为关键预测因素.

结论:

• 气象因素对新加坡的登革热传播有很大影响.
• XGBoost模型为登革热的动态和预测提供了宝贵的见解.
• 这些发现可以为改善登革热控制的公共卫生战略提供信息.