相关实验视频
Updated: Jan 11, 2026
10:05
High-throughput Detection Method for Influenza Virus
Published on: February 4, 2012
26.7K
使用多道监测数据开发每日流感报告病例的机器学习预测模型 - - 湖北省一座城市,中国,2023-2025年
Xinyue Zhang1, Xinyi Sang1, Beibei Liu1
1Department of Epidemiology and Biostatistics, School of Public Health, Tongji Medical College, Huazhong University of Science and Technology, Wuhan City, Hubei Province, China.
China CDC weekly
|November 19, 2025
概括
多通道监控系统有效预测流感疫情. 使用结合数据的长期短期记忆模型在预测流感病例方面取得了很高的准确性,提高了公共卫生准备.
科学领域:
- 公共卫生 公共卫生
- 流行病学 流行病学
- 数据科学数据科学数据科学
背景情况:
- 流感对公众健康构成重大威胁,需要强有力的监测系统.
- 有效的决策依赖于准确和及时的公共卫生监测数据.
- 多通道监测系统提供了一种全面的方法来监测传染病.
研究的目的:
- 利用多道监测数据开发和评估流感的预测模型.
- 评估各种监测系统与报告的流感病例之间的相关性.
- 确定最佳的机器学习模型,用于短期流感预测.
主要方法:
- 从医院,搜索引擎,气候和空气污染物监测系统收集的数据 (2023年1月至2025年1月).
- 采用斯皮尔曼的相关性分析来确定变量和流感病例之间的关系.
- 利用并比较了几种机器学习模型用于趋势预测.
主要成果:
- 这四个监测系统都与流感病例 (27个变量) 有显著的相关性.
- 长期短期记忆 (LSTM) 模型在5天流感预测方面表现出卓越的性能.
- 通过LSTM模型实现了R2=0.92,MAE=156.92,MAPE=79.95%,RMSE=292.33.2的结果.
结论:
- 多通道监测数据对于追踪流感流行病是有效的.
- 开发的LSTM模型显示了传染病监测的巨大潜力.
- 通过先进的预测建模,研究结果支持加强疫情准备.
