对废水监测中的AI/ML方法的审查 废水监测进步

科学领域:

• 环境科学和公共卫生
• 计算生物学和生物信息学
• 流行病学和传染病建模.

背景情况:

• 基于废水的流行病学 (WBE) 对于早期检测传染病至关重要,特别是在COVID-19等大流行期间.
• 人工智能 (AI) 和机器学习 (ML) 的整合为WBE提供了先进的功能.
• 需要对WBE中的AI/ML模型进行系统评估,以了解它们在病原体检测和疾病预测方面的有效性.

研究的目的:

• 在过去五年中,系统地评估AI和ML模型在WBE中的应用和有效性.
• 以基于预测准确性,可扩展性,可解释性和实时可行性的各种AI/ML模型进行比较.
• 提出一个决策支持框架,用于在WBE中选择合适的模型.

主要方法:

• 对监督 (例如,随机森林,支持矢量机器),无监督 (例如,K-means集群),深度学习 (例如,人工神经网络,长短期记忆网络) 和时间序列机器学习 (TSML) 模型的比较分析.
• 评估指标包括R平方 (R2),根平均平方误差 (RMSE) 和平均绝对误差 (MAE).
• 基于预测目标和数据特征的模型选择的决策支持框架的开发.

主要成果:

• 随机森林 (RF) 模型实现了高精度 (R2=0.80,RMSE=0.54) 的COVID-19趋势预测.
• 与传统方法相比,支持载体机器 (SVM) 将病原体分类准确度提高了约20%.
• 像人工神经网络 (ANN) 和长期短期记忆 (LSTM) 网络这样的深度学习模型在估计病原体流行率和多社区预测方面表现出强的表现 (R2高达0.94).
• 在实时预测方面,TSML框架的表现优于ARIMAX模型,显示较低的RMSE和MAE.
• 无监督模型有助于在有限的标记数据的爆发模式识别.

结论:

• 人工智能和机器学习模型,特别是混合方法,显著提高了WBE系统的功能.
• 这些模型为传染病监测中的实时,适应性监测策略提供了强大的工具.
• 将环境元数据与WBE数据相结合,可以进一步提高监控系统的性能.