使用长期短期记忆模型预测动物性传染病爆发风险:对杆杆菌病,杆菌病和螺杆菌病的案例研究

科学领域:

• 流行病学和公共卫生.
• 计算生物学和生物信息学
• 传染病建模 传染病建模

背景情况:

• 动物传染病由于病原体的多样性和社会影响,造成了全球重大公共卫生挑战.
• 准确和早期预测动物传播疾病的爆发对于有效的疾病控制策略至关重要.
• 这项研究解决了对中国大陆动物传播疾病的改进预测模型的需求.

研究的目的:

• 开发和评估基于时间序列发病率数据的动物传染病风险预测模型.
• 评估混合长短期记忆 (LSTM) 模型的有效性,该模型包含时间序列分解.
• 为了利用中国的杆菌病,球菌病和白病作为模型开发的案例研究.

主要方法:

• 从中国国家卫生部收集了三种动物传播疾病的发病率数据.
• 应用时间序列分解来将数据分成趋势,季节和剩余组件.
• 开发了一个混合LSTM模型,使用趋势组件进行预测,并对原始数据模型进行准确性评估.

主要成果:

• 混合LSTM模型表现出高准确性,预测的发病率和发病率与现实数据密切匹配.
• 模型评估证实,与单个LSTM模型相比,混合LSTM模型的预测误差较小.
• 利用趋势序列作为输入,显著提高了模型的拟合和预测能力.

结论:

• 成功开发并验证了混合LSTM模型,用于预测动物传染病爆发风险.
• 结合LSTM和时间序列分解,比传统的LSTM模型更高的预测准确度.
• 混合模型为预测动物传染病爆发趋势提供了更准确的方法.