加强大流行病预测的深度学习方法:对变压器神经网络的回顾性评估和用于传染病预测的多源数据融合

科学领域:

• 流行病学 流行病学
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 对COVID-19等传染病爆发的准确,局部预测对于公共卫生资源分配至关重要.
• 传统的预测模型往往难以捕捉疾病传播的复杂时空动态.

研究的目的:

• 开发和评估用于县级COVID-19预测的深度学习模型.
• 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.
• 在流行病学建模中研究注意力机制对于时间频率分析的有用性.

主要方法:

• 使用变压器神经网络架构进行时间序列预测.
• 综合多源数据:历史病例/死亡数据和社交媒体情绪.
• 开发了适应性分析的多层次和多规模的注意力机制.
• 在三次Omicron变种浪潮 (2021年12月 - 2023年2月) 进行了回顾性评估.

主要成果:

• 该模型在预测县级COVID-19病例和死亡时表现出强的回顾性表现.
• 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级协议准确度在83.2%至86.3%之间.
• 整合社交媒体数据提供了轻微到中度的准确性改进.
• 该模型显著超过了基线持久性模型.

结论:

• 深度学习,特别是具有多源数据融合和注意力机制的变压器网络,对精细的流行病学预测有很大的前景.
• 拟议的模型为地方一级的流行病数据分析提供了一个强大的方法框架.
• 预期验证对于确认模型在实时预测场景中的实用性至关重要.