提高流行病预测:使用变压器神经网络和多源数据融合进行传染病预测的深度学习方法

科学领域:

• 流行病学 流行病学
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 随着COVID-19的流行,人们越来越需要精确的流行趋势预测.
• 传统的预测方法经常与传染病爆发的复杂时间和空间动态作斗争.

研究的目的:

• 开发和评估一种深度学习模型,用于准确地在县级预测Covid-19病例和死亡.
• 评估多来源数据融合,包括社交媒体情绪,对预测准确性的影响.

主要方法:

• 利用了多源数据融合 (历史案例,死亡,社交媒体情绪) 的变压器神经网络.
• 集成的多层次和多尺度的注意力机制,用于适应时间频率分析.
• 评估了三次Omicron变种浪潮 (2021年12月 - 2023年2月) 的模型性能.

主要成果:

• 该模型在预测县级Covid-19病例和死亡时表现强.
• 一周病例预测的中位数县级协议准确度在74.0%至82.6%之间.
• 一周死亡预测的中位数县协议准确度在83.2%至86.3%之间.

结论:

• 拟议的深度学习模型显著改善了Covid-19预测的基线持久性模型.
• 整合实时数据和社交媒体情绪可以更好地捕捉复杂的流行病动态.
• 该模型的准确性和通用性为公共卫生准备和应对未来疫情提供了有价值的工具.