动态集团深度学习与多源数据,用于强大的流感预测在扬州

科学领域:

• 流行病学和公共卫生.
• 计算生物学和生物信息学
• 机器学习和人工智能的人工智能

背景情况:

• 传统的流感监测方法受到报告延迟的阻碍,影响及时的公共卫生干预.
• 开发准确和快速的流感预测模型对于有效的疾病控制至关重要.

研究的目的:

• 通过创建一个准确的深度学习框架来预测流感,以减轻流感监测延迟.
• 评估各种深度学习模型和流感预测合并策略的性能.

主要方法:

• 编制了一个13年的多源数据集,将类似流感的疾病 (ILI) 监测数据与百度搜索索引和气象变量集成在一起.
• 六个深度学习模型 (GRU,变压器,LSTM,TFT,TCN,N-BEATS) 使用移动时间窗口 (1,5,9周) 进行了比较.
• 使用表现最好的模型 (GRU,TCN,变压器) 开发了一个具有季节剩余调整 (DWE+SRA) 战略的动态加权组合.

主要成果:

• 与单独的监测数据相比,多源数据集成提高了预测准确性.
• 格鲁,TCN和变压器在不同的滑动窗长度中表现出强大的性能.
• 与最佳单一模型 (GRU) 相比,DWE+SRA战略提高了预测准确性和稳定性,将RMSE降低了约28%,MAE降低了约17%.

结论:

• 一个多源深度学习框架有效地整合了异质数据,以克服监控延迟.
• DWE+SRA整体战略为本地流感预测和早期预警系统提供了一个可扩展的,数据驱动的方法.
• 系统的滑动窗口比较确定了不同深度学习架构的时间优势.