对于寨卡病毒传播动态的反复性神经网络

科学领域:

• 计算流行病学计算流行病学
• 机器学习在公共卫生中的应用.
• 流行病的建模和预测.

背景情况:

• 流行病学依赖于准确的建模和预测,以进行有效的公共卫生干预.
• 循环神经网络 (RNN) 擅长处理顺序数据,使其适合时间依赖的疾病传播.
• 传统的流行病模型需要将时间动态纳入实际的模拟.

研究的目的:

• 调查RNN用于模拟和预测流行病动态的应用.
• 使用智能计算解决方案为SEIR非线性系统 (SEIRS-PZV模型) 提供数值性能和解释.
• 评估RNN在处理疾病传播的时间方面的能力.

主要方法:

• 代表易受感染,暴露,感染和恢复的个体的SEIRS-PZV模型是使用普通微分方程 (ODEs) 定义的.
• 数据集是通过在 Mathematica 中使用亚当斯方法解决 ODE 来生成的.
• 使用100%生成的数据集训练一个循环神经网络 (RNN),具有15个隐藏层和2秒延迟,时间序列输入从0到5.

主要成果:

• 随着平均平方误差 (MSE) 的减少,RNN预测的准确性增加,这表明它更好地适应观察到的数据.
• 实现了接近零的最小绝对误差,验证了拟议的RNN战略的有效性.
• 对近似和精确解决方案的比较,以及所有SEIRS-PZV案例的绝对误差图,证明了该模型的精度.

结论:

• RNN是捕捉流行病传播中固有的时间动态的强大工具.
• 提出的基于RNN的智能计算解决方案有效地模拟了SEIRS-PZV系统,具有高准确度和精度.
• 取得的绝对最小误差证实了RNN在流行病预测和为公共卫生战略提供信息方面的实用性.