混合ARIMA-LSTM用于COVID-19预测:一个比较的AI建模研究
Al Mahmud1, Syed Husni Noor Syed Hatim Noor1, Kamarul Imran Musa2
1School of Dental Sciences, Universiti Sains Malaysia, Kubang Kerian, Kelantan, Malaysia.
PeerJ. Computer science
|September 24, 2025
概括
与传统的ARIMA和深度学习LSTM模型相比,混合ARIMA-LSTM模型显著提高了流行病预测的准确性. 这种方法为流行病学提供了更可靠的预测分析.
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:
- 流行病带来了重大的全球挑战,需要准确的预测.
- 经典的统计模型 (ARIMA) 难以处理非线性流行病数据.
- 深度学习模型 (LSTM) 是有前途的,但需要大量的资源.
研究的目的:
- 为了比较ARIMA,LSTM和混合ARIMA-LSTM模型的预测性能.
- 通过马来西亚的COVID-19数据来评估模型准确性.
- 确定流行病趋势预测的最有效的建模方法.
主要方法:
- 使用自回归集成移动平均 (ARIMA) 和长期短期记忆 (LSTM) 模型.
- 开发并测试了一种混合动力ARIMA-LSTM模型.
- 使用诸如MSE,MAE,MAPE,RMSE,RRMSE,NRMSE和R2之类的指标进行绩效评估.
主要成果:
- 在捕捉大流行趋势方面,ARIMA模型表现不佳.
- 与ARIMA相比,LSTM模型显示出更好的预测准确性.
- 混合型ARIMA-LSTM模型始终产生了最低的错误率.
结论:
- 混合ARIMA-LSTM模型提供卓越的流行病预测准确度.
- 整合统计和深度学习方法可以增强流行病学中的预测分析.
- 建议采用混合模型,以便可靠地预测流行病和分配资源.
