通过LSTM神经网络和SHAP驱动的滞后气候和空间效应,预测巴西各地的登革热
1Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology (KAUST), Thuwal, 23955-6900, Saudi Arabia. xiang.chen@kaust.edu.sa.
BMC public health
|March 13, 2025
概括
在巴西,使用长短期记忆 (LSTM) 神经网络实现了精确的登革热预测. 该模型整合了气候数据和空间影响,以改善公共卫生战略.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 登革热在巴西带来了重大的健康和社会经济挑战,需要在所有27个联邦州进行准确的预测.
- 巴西多样化的气候和地理需要预测模型来解释气候变化和空间动态.
- 现有的预测方法往往难以有效地整合复杂的时空和气候因素.
研究的目的:
- 开发和验证长期短期记忆 (LSTM) 神经网络模型,用于巴西登革热病例预测.
- 将最佳滞后的气候变量和邻国空间影响纳入预测模型.
- 通过使用SHapley添加式扩展 (SHAP) 进行变量选择来提高模型的准确性和稳定性.
主要方法:
- 建立了一个基于LSTM的模型,以预测巴西27个联邦州的登革热病例.
- 采用SHAP分析来识别和选择最有影响力的落后气候预测因素 (例如温度,降水,湿度).
- 来自邻近州的滞后登革热病例被纳入以捕捉空间依赖,并使用MAE,MAPE和CRPS评估模型性能.
主要成果:
- 通过有效整合时间,气候和空间数据,LSTM-气候-空间模型展示了卓越的预测性能.
- 通过SHAP增强的变量选择,通过关注关键气候驱动因素,提高了预测准确度.
- 整合空间效应提高了预测准确度,特别是在连接性较高的州,突出显示了该模型的适应性.
结论:
- 为巴西登革热预测建立了一个可扩展和强大的框架,将时间,气候和空间信息整合到LSTM模型中.
- 该模型在巴西多个不同地区的成功应用表明它可以将其推广到其他登革热流行地区.
- 这些发现强调了LSTM神经网络在强大的登革热预测方面的潜力,为公共卫生战略和疫情准备提供了宝贵的见解.
