用LSTM集成的注意力机制和转移学习来预测COVID-19时间序列的方法

科学领域:

• 流行病学 流行病学
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• COVID-19预测模型通常是为广泛的地区开发的,对于特定的城市地区可能缺乏准确性.
• 将大规模模型直接应用于小的,局部化的时间序列数据可能会产生低于最佳的结果.
• 对于城市COVID-19时间序列数据,需要专门的预测方法.

研究的目的:

• 开发和评估一个城市内的小规模COVID-19时间序列数据的新型预测方法.
• 为了提高深度学习模型的性能,用于城市COVID-19病例预测.
• 研究注意力机制和转移学习在提高预测准确性的有效性.

主要方法:

• 在2022年11月1日至2023年11月16日期间,在徐州市收集的每日确诊的COVID-19病例.
• 训练并比较经典的深度学习模型:循环神经网络 (RNN),长期短期记忆 (LSTM),门式循环单元 (GRU) 和时间卷积网络 (TCN).
• 集成的注意力机制和转移学习与RNN,LSTM和GRU,开发一个LSTM-注意力转移学习 (LSTMATT) 和随后一个转移学习与LSTM注意力 (TLLA) 模型.

主要成果:

• 与其他初始模型相比,LSTM表现出优越的性能;TCN表现出最差的泛化.
• 通过将LSTMTM与注意力机制集成在一起的LSTMATT模型,提高了预测性能.
• 结合频域卷积增强和转移学习的TLLA模型进一步提高了预测准确性,超过了所有其他测试模型.

结论:

• 该TLLA模型实现了城市COVID-19每日确诊病例的最高预测性能.
• 新的注意力机制和转移学习组件大大提高了预测准确度,特别是在处理时间序列数据的稳定和波动 (平坦和状) 部分时.