在中国河北省预测和分析流感活动,使用CNN-LSTM混合模型

科学领域:

• 流行病学 流行病学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 流感是全球主要的呼吸道疾病,需要准确的预测才能有效控制.
• 预测流感活动对于减轻流感对公共健康的影响至关重要.
• 本研究的重点是预测中国河北省的流感类疾病 (ILI) 率.

研究的目的:

• 开发和评估一种混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于预测ILI率.
• 将CNN-LSTM模型的性能与其他已建立的传染病预测模型进行比较.
• 为河北省的流感预防和控制策略提供加强的指导.

主要方法:

• 利用了来自河北省28家哨兵医院 (2010-2022) 的历史ILI%数据.
• 使用PyTorch开发了一种混合CNN-LSTM模型,并将其与SARIMA,XGBoost,CNN和LSTM模型进行比较.
• 评估模型性能,使用MAE,RMSE和MAPE等指标进行回顾性预测.

主要成果:

• 所有构建的模型都在预测ILI%趋势方面表现出有效性.
• 混合CNN-LSTM模型在各种预测持续时间中表现出卓越的预测性能.
• 绩效排名:CNN-LSTM > XGBoost > LSTM > CNN > SARIMA. 这里是我们的排名.

结论:

• 混合CNN-LSTM模型显著优于传统和个人深度学习模型.
• 该模型为河北省提供了更精确的流感活动预测.
• 这些发现支持使用先进的混合模型进行公共卫生监测.