在基于机器学习技术的畜牧业强化下,人类血病的时空空间风险在中国西省的畜牧业强化
Li Shen1, Chenghao Jiang1, Fangting Weng1
1School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, China.
Epidemiology and infection
|October 24, 2024
概括
机器学习模型在中国准确预测了人类血清病 (HB). ConvLSTM模型表现最好,确定气候和畜牧业的强化是HB传播的关键驱动因素.
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:
- 兽是一种被忽视的动物传染病,对全球公共卫生产生重大影响.
- 了解其传输动态对于有效控制至关重要.
研究的目的:
- 通过机器学习,提高在中国西的人类血清病 (HB) 预测的准确性.
- 在畜牧业强化下分析HB的时空驱动因素.
- 评估不同的机器学习模型用于流行病预测.
主要方法:
- 应用并比较了ConvLSTM,随机森林 (RF) 和长短期记忆 (LSTM) 模型.
- 利用内核密度分析和沙普利增量解释 (SHAP) 进行空间异质性分析.
- 分析了中国西省2008年至2020年的数据.
主要成果:
- ConvLSTM表现出卓越的预测性能,其中RMSE (13.875) 和MAE (18.393) 是最低的.
- 射频和LSTM模型分别显示了低估和高估的预测.
- 气候条件,畜牧业的强化和社会经济地位被确定为不同次区域的关键驱动因素.
结论:
- 机器学习,特别是ConvLSTM,为预测人类牛病提供了强大的工具.
- 时空分析揭示了不同地区HB的独特驱动因素,受环境和人为因素的影响.
- 这些发现支持在中国西北地区加强疾病控制和预防战略.


