对零膨胀数据的混合机器学习方法提高了登革热预测的准确性

科学领域:

• 流行病学 流行病学
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 使用机器学习 (ML) 进行时空热预测,有助于制定疫情预防战略.
• 登革热发病率的零膨胀数据降低了预测准确性,这对ML模型构成了挑战.
• 了解数据解析对预测准确性的影响至关重要.

研究的目的:

• 通过使用ML模型,研究空间时间数据分辨率如何影响登革热发病率预测的准确性.
• 为了比较空间时间分辨率对定量与定性登革热预测的影响.
• 用零膨胀数据提高登革热发病率预测的准确性.

主要方法:

• 使用6个ML算法对6个时空分辨率的预测准确度进行了比较.
• 从2009年至2012年的员工数据用于培训和2013年的数据用于验证.
• 开发了一种用于定量预测的混合方法,依赖于对零膨胀数据的定性模型输出.

主要成果:

• 更高分辨率的数据显示零通胀,阻碍了定量ML模式的提取.
• 定性 (二进制) 模型减轻了数据分布效应.
• 混合方法显示了预测零膨胀或罕见现象的高潜力,如登革热.

结论:

• 时空分辨率显著影响基于ML的登革热预测准确度.
• 一种新的混合定性-定量方法有效地解决了零膨胀数据的挑战.
• 这种方法为提高登革热预测准确度提供了一个替代方案,在传统模型失败的情况下.