深度学习模型用于预测乙型肝炎的发病率,利用百度指数.

科学领域:

• 流行病学 流行病学
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 传染病构成了21世纪的重大挑战,需要准确的发病率预测,以进行有效的公共卫生干预.
• 互联网搜索引擎数据为分析流行病趋势和增强疾病预测提供了潜在的工具.
• 预测E型肝炎的发病率对于管理公共卫生资源和预防疫情至关重要.

研究的目的:

• 评估百度搜索索引在预测山东省肝炎E发病率方面的实用性.
• 为了比较各种长期短期记忆 (LSTM) 网络架构的性能,用于E型肝炎预测.
• 评估纳入百度指数和内核近似网络 (KAN) 对预测准确性的影响.

主要方法:

• 收集了山东省E型肝炎发病率数据 (2009-2022) 和百度搜索索引数据.
• 利用皮尔森相关性分析来确定百度指数和E型肝炎发病率之间的关系.
• 开发并比较了LSTM,堆叠的LSTM,基于注意力的LSTM和基于注意力的堆叠的LSTM模型,有和没有Baidu索引集成,并引入了KAN以增强非线性学习.

主要成果:

• 百度指数与肝炎E发病率的相关性很弱,但其包含在内使预测准确度提高了约2%.
• 纳入百度指数的LSTM模型实现了较低的平均绝对百分比误差 (MAPE),例如15.36% (LSTM) 和15.15% (基于注意力的堆叠LSTM),与没有它的模型相比 (分别为17.04%和17.19%).
• 内核近似网络 (KAN) 的集成进一步提高了模型性能约0.3%.

结论:

• 百度搜索索引是预测E型肝炎发病率的宝贵补充数据来源,尽管最初的相关性很弱.
• 先进的LSTM架构,包括堆叠层和注意力机制,提高了预测能力.
• 内核近似网络 (KAN) 集成增强了传染病预测的LSTM模型的非线性学习能力.