一个新的多变量时间序列预测树突神经元模型的COVID-19大流行传播趋势
Cheng Tang1, Yuki Todo2, Sachiko Kodera3
1Faculty of Information Science and Electrical Engineering, Kyushu University, Fukuoka, 819-0395, Japan; Department of Electrical and Mechanical Engineering, Nagoya Institute of Technology, Nagoya-shi, 466-8555, Japan.
概括
一个新的模型,密集连接的高度灵活的树突神经元模型 (DFDNM),准确地预测了COVID-19病例. 这种灵活的模型增强了流行病管理和资源分配的预测.
科学领域:
- 计算科学是一种计算科学.
- 流行病学 流行病学
- 机器学习 机器学习
背景情况:
- 由于病毒突变和疫苗疗效下降,预测COVID-19病例仍然至关重要.
- 国家一级预测在计算效率和长期准确性方面面临挑战.
- 有效的预测模型对于预防流行病和医疗资源管理至关重要.
研究的目的:
- 开发一种新的多变量时间序列预测模型,用于预测每日和每周的COVID-19病例.
- 解决当前预测方法中的计算效率和长期准确性限制.
- 引入一个重组的树突神经元模型,用于增强时间序列预测.
主要方法:
- 密集连接的高度灵活的树突神经元模型 (DFDNM) 的开发.
- 整合一个高度灵活的机制来应对非线性挑战.
- 使用AdamW优化算法来有效管理模型参数.
- 实施捷径连接,以改善特征提取和减轻梯度问题.
主要成果:
- 在日本三个县,DFDNM在预测每日和每周的COVID-19病例方面表现出高度准确性.
- 实验结果证实了与最先进的机器学习模型相比,该模型的有效性和可行性.
- 在多变量时间序列预测任务中,DFDNM的表现优于现有模型.
结论:
- DFDNM为准确和高效的多变量时间序列预测提供了一个有前途的方法.
- 这种新型模式可以帮助国家和地区的决策者优化疫情预防和资源管理.
- DFDNM的适用性超出了COVID-19预测范围,可以应用于各种一般的多变量预测场景.
