基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和模糊熵(FE)改进长短时记忆网络(LSTM)的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.

一种基于分割K-最近邻算法的传染病预测方法

传染病预测是时间序列预测中的一个重要应用领域,针对常用传染病预测算法准确率较低的问题,提出一种基于数据分割的最近邻算法,对相同月份的数据进行相似度计算。将传染病数据按照月份进行分割,得到不同年份、相同月份的时间序列数据,运用K-最近邻(KNN)的方法对时间序列数据进行相似度计算,得出最相似的时间序列的预测序列预测值。利用上海市疾病预防控制中心腹泻数据进行实验,结果表明,该方法能够充分考虑到月份对腹泻人数的影响,与改进前的基于KNN的连续时间序列预测算法相比,平均绝对误差值、平均百分比误差值、均方根误差值分别降低38.52,0.07,47.86,与传统的预测方法 ARIMA相比,平均绝对误差、平均百分比误差值、均方根误差值分别降低23.04,0.07,28.12。

基于改进粒子群算法优化CNN-LSTM神经网络的传染病预测

针对新型传染病发展趋势的预测精度问题,提出一种改进粒子群(PSO)算法优化卷积神经网络(CNN)与长短期记忆神经网络(LSTM)相结合的预测模型.首先,将原始粒子群优化算法中最优惯性权重的调整方式由迭代次数的线性关系转变为非线性关系,并对学习因子进行线性更新,以寻找最优参数,从而更准确地模拟粒子群的社会学习能力,进而平衡算法的全局优化能力,提高收敛速度;其次,以发酵时间较长的新型冠状肺炎为研究对象,构建CNN-LSTM神经网络预测模型,利用CNN层提取其特征信息后降维作为LSTM层输入,并通过预测模块实现对研究对象的指标训练和预测,从而提高模型的预测精度;最后,与原始LSTM模型的预测误差,如均方根误差(RMSE)、平均绝对误差(MAE)、均方误差(MSE)等指标进行对比.研究结果表明,在训练集上,与原始LSTM模型相比,经过改进的PSO算法优化CNN-LSTM组合神经网络模型,其在RMSE、MAE和MSE三个指标上分别降低了73.0%、62.3%、92.7%;在测试集上,这3个指标分别降低了23.0%、29.8%、40.7%.这说明该模型具有更小的误差和较好的预测效果.该研究结果可为实现传染病传播趋势的精准预测提供新的思路和方法.

传染病的灰色预测方法

1 引言准确地预测传染病流行的发生时间,即对疾病在时间维上的分布作出准确的描述,对疾病的预防与管理均具有重大意义。理论流行病学方法的发展,已使得人们能够用数学模型来刻画传染病流行的数量变化过程。迄今所采用的数工具主要限于微分方程和概率统计方法。当把疾病在人群中的传播现为(确定性的)动力学过程时,就用微分方程去刻画它;当把它视为随机过程时,就用概率统计方法去描述之。然而,把疾病的传播与流行视为确定性的动力学过程,并据此去求出感染力等参数,就可能因疾病传播中的随机性而使预测结果与真实情形有较大的距离;而把它视为随机过程。

基于灰色马尔科夫模型的传染病预测

对于传染病有效的预防和控制,一直以来就是卫生管理的重点。针对于传染性疾病发病不确定的特点,本文有效的将灰色模型和马尔科夫链融合在一起,根据GM(1,1)预测结果,利用马尔科夫链构建偏差的状态转移矩阵,对原来的灰色模型进行修正,有效的克服了数据波动大对于预测精度的不良影响,具有较好的预测效果。

基于改进诱导有序加权调和平均(IOWHA)算子的传染病组合预测模型研究

针对单一模型预测精度不高的问题,提出了一种新的诱导有序加权调和平均(IOWHA)算子和Theil不等系数相结合的传染病组合预测模型,包括ARIMA季节模型和灰色模型,并用其先分别对传染病的发病率进行预测,然后用Theil不等系数与IOWHA算子相结合的方法对预测结果进行组合并求解权重系数。实例应用表明该组合模型的预测精度高于单项模型的预测精度,发挥了各个模型的优势,也说明了组合算法的有效性。

利用电子地图实行传染病预警预测的探讨

目的探讨利用电子地图实行传染病预警预测的方法。方法应用灰色系统GM(1,1)模型的原理,建立《南宁市常规疫情辅助分析系统》,《南宁市疾病防控预警系统》。结果可根据用户选择的条件,进行各种比较查询,查询的结果用不同的颜色在地图上显示,以及将疾病的(发病或死亡数/率)和预期数据相比,如超过预期数据,则该区域立即显示红色,实现预警。结论该系统利于及时对疫情进行汇总、分析与评估,预测疫情的走向趋势,预防突发公共卫生事件的发生。

基于图信号处理的传染病传播预测方法

针对现有传染病传播预测模型存在未充分考虑数据的内在关联性的问题,采用图多项式-向量自回归(GPVAR)模型对传染病的传播进行预测,并提出新的用于模型参数估计的优化方法.将传染病发病地区建模为图节点,并根据地区间的距离信息和人群流动情况确定节点间的边及其权重,以反映传染病传播过程中的空间关联性.将不同时刻的感染疾病人数建模为时变图信号,使用GP-VAR模型对时变图信号在图上的演变过程进行预测,并设计一种最小二乘(LS)优化方法对GP-VAR模型的参数进行估计.仿真实验结果表明,与现有的预测方法相比,所提方法能够更好地考虑到数据在空间维的相关性和时间维的演变特性,更加准确地刻画传染病的传播特性,且具有普适性,预测效果更好.

ARIMA模型与GM(1,1)模型在传染病发病率中的预测效果比较

为比较ARIMA模型和GM(1,1)模型对传染病的预测效果,对样本1(n=30)序列建立了GM(1,1)模型和ARIMA(p,d,q)模型,并根据平均相对误差(MRE)比较拟合模型的精度.得出结论:对于样本1,ARIMA(0,1,3)拟合度较好,MRE为4.68%;GM(1,1)模型MER值为15.00%,拟合效果较差.即ARIMA(0,1,3)模型拟合预测效果优于GM(1,1)模型,且预测结果表明未来病毒性肝炎发病率呈下降趋势.

基于最小二乘法预测传染病的发病人数

基于某传染病从2004至2016年的发病数与死亡数数据,绘制了该传染病流行病的散点图,判断该流行病每年发病人数呈曲线式降低。通过最小二乘法的方法对该流行病进行了曲线拟合,拟合结果显示幂函数、3次函数、4次函数。都能较好地拟合该流行病的变化趋势,通过比对发现3次函数拟合效果最好。最后,使用3次函数对该流行病2019年的发病人数进行了预测。

卫星预测传染病

在太空中绕着地球运行的人造卫星可以帮助人们研究宇宙、预报天气、传递信息和进行间谍活动等。但对于医学专家来说，它却还有另外一个用途，恐怕知道的人就不多了，那就是预测在何时何地可能会暴发某种严重的传染病。

基于传播率和防控有效性的传染病预测模型

本文考虑到人们对传染病传播机理的研究需要一个较长的过程,且传播过程中自然因素和人为因素的交互作用又增加了预测的复杂度,因此,提出了一种模型结构简单,且能够仅基于数据本身的特点进行预测的方法.我们在传染病从感染到出现症状的天数为固定值,且感染者出现症状能立即被确诊的假设下,建立了基于传播率和防控有效性的传染病预测模型,其中的参数通过约束非线性最小二乘方法估计.相比于传统传染病模型,本文方法的优点在于:1)不需要对模型结构和模型参数做诸多假设;2)允许预测者在未深入了解传染病特点的情况下进行预测;3)能够利用防控有效性的变化实现对疫情防控措施有效性的实时评估.通过实证分析我们发现:1)该模型能够很好地对美国新冠疫情累计确诊人数进行月度预测;2)预测精度受传染病从感染到出现症状天数设置的影响较小.

德开发出预测传染病计算机模型

德国科学家最近开发出了一种可对全球传染病传播进行预测的计算机模型。这一模型由哥廷根马普学会流体研究所和哥廷根大学联合开发，它不仅可以描述全球传染病的传播，而且借助计算机模拟技术，还可以预测疫情发展，尤其是预测可能遭到特别威胁的地区。

基于ARIMA模型预测镇江市肺结核流行趋势及分析

目的通过构建季节性差分整合移动平均自回归模型(ARIMA模型)预测江苏省镇江市肺结核流行趋势并验证模型的有效性,探讨新型冠状病毒感染疫情对肺结核流行情况的影响。方法收集江苏省镇江市2014-2022年肺结核月发病数资料,构建季节性ARIMA模型,以2022年1-12月肺结核发病数验证预测模型效果,并分析预测误差产生的原因。结果2014-2022年镇江市共报告肺结核病例11316例,除2017、2019年发病率有所回升外,总体发病率呈下降趋势,发病主要集中在3-8月。ARIMA(1,1,1)(1,1,0)_(12)的BIC值(5.913)最小,残差白噪声也通过检验。但短期自相关部分的AR系数不显著,因此建立ARIMA(0,1,1)(1,1,0)_(12)。2022年镇江市肺结核月发病数实际值与预测值存在一定的偏差(平均相对预测误差为19.20%),但均在拟合值的95%可信区间内,实际月发病数(平均78例/月)与预测值(平均78例/月)变化趋势基本一致,模型拟合度较好,可用于预测镇江市肺结核流行情况。结论利用该模型对短期内镇江市肺结核发病数进行预测,认为镇江市肺结核流行总体上仍将长期保持下行趋势。

基于动态SEIR模型的传染性疾病预测和政策评估

突发传染病防控问题是近年来引起社会广泛关注的焦点话题,突发传染病不仅会对人们生命健康造成巨大威胁,还会对经济发展、社会稳定造成严重影响,实现突发传染病的及时预警、实时监控和合理预测对传染病防控有着非常重要的现实意义.本文在传播动力学SEIR(Susceptible Exposed Infectious Removed)模型的基础上,提出动态SEIR(dynamic SEIR)模型来研究突发传染病的传播趋势.该模型不仅可以考虑人口流动对疾病传播的影响,而且可以根据防控干预措施对模型参数进行动态估计,更符合传染病的病毒传播特点,有更好的预测效果.最后,本文提供相应的R软件包dSEIR供研究者使用.

基于组合模型的手足口病发病趋势预测

目的运用自回归移动平均模式(autoregressive integrated moving average model,ARIMA),ARIMA-BP神经网络(back propagation,BP)组合模型和ARIMA-长短期记忆网络(long short-term memory,LSTM)组合模型对河南省手足口病的发病情况进行预测,为手足口病的疫情防控工作提供理论支持。方法利用SPSS 26.0软件建立ARIMA模型,使用python 3.9软件建立LSTM神经网络,使用Matalb_R2018a软件建立BP神经网络。三种模型以2010-2018年河南省手足口病逐月发病数据作为训练集,以2019年的发病数据作为测试集,最后应用模型预测2020年发病情况。结果ARIMA-LSTM组合模型在测试集上的平均绝对误差(mean absolute error,MAE)为1157,均方误差平方根(rooted mean squared error,RMSE)为2098,其预测效果优于ARIMA模型和ARIMA-BP组合模型。但组合模型在2020年上的预测结果与实际并不相符,推测可能为新冠疫情影响所致。结论ARIMA-LSTM组合模型对河南省手足口病发病趋势的预测效果更好,能为手足口病的防控工作提供指导。

结合气象与经济因素应用长短期记忆网络模型预测郑州市手足口病的发病趋势

目的运用长短期记忆网络(LSTM)模型对郑州市手足口病(HFMD)的发病情况进行预测,为手足口病的防疫工作提供理论指导。方法利用SPSS 26.0软件对HFMD发病数据和气象数据进行Spearman相关性分析,选取相关性较高的影响因素。使用Python 3.9软件建立LSTM神经网络。以2010年至2018年郑州市HFMD逐月发病数作为训练集,以2019年的发病数据作为测试集,建立6种LSTM模型。结果加入气象因素与经济因素均能提高模型的预测精度,该模型在2019年测试集的平均绝对误差为231.92,均方根误差为273.54,均优于其他类型LSTM模型,并优于常用的差分整合移动平均自回归(ARIMA)模型。结论在LSTM模型中加入气象因素与经济因素能够提高预测精度,为HFMD的防控工作做出指导。

长短记忆神经网络在流行性感冒暴发预测中的应用

目的研究长短记忆神经网络模型(long-short term memory,LSTM)预测未来每周流行性感冒(流感)暴发趋势的可行性,以提高预测精度和工作效率。方法选取2007-2017年深圳市宝安区每周流感发病数,考虑到时间序列数据的自相关性和高频特征,基于深度学习思想构建长短记忆神经网络模型对流感暴发趋势进行预测,并使用5种方法对LSTM模型预测效果进行评估。结果深圳市宝安区流感报告周频率具有随机波动性和周期性特征,通过LSTM神经网络模型能够准确学习时间序列特征并用于外推预测。仿真结果表明,相比ARIMA模型、BP神经网络、小波神经网络(WNN)、广义回归神经网络(GRNN)和动态自回归神经网络(NARX),LSTM神经网络的拟合度更接近实际值,预测精度较高。结论在数据量大和非平稳及周期特征的情况下,深度学习的LSTM神经网络对流感的预测效果更好。

基于长短时记忆神经网络的手足口病发病趋势预测

针对传统手足口病(HFMD)发病趋势预测算法预测精度不高、未结合其他影响因素、预测时间较短等问题,提出结合气象因素使用长短时记忆(LSTM)网络进行长期预测的方法。首先,将发病序列通过滑动窗口的方式转化为网络的输入和输出;然后采用LSTM网络进行数据建模和预测,并使用迭代预测的方式获得较长期的预测结果;最后在网络中增加温度和湿度变量,比较这些变量对预测结果的影响。实验结果表明,加入气象因素能够提高模型的预测精度,所提模型在济南市数据集上的平均绝对误差(MAE)为74.9,在广州市数据集上的MAE为427.7,相较于常用的季节性差分自回归移动平均(SARIMA)模型和支持向量回归(SVR)模型,该模型的预测准确率更高。可见所提模型是HFMD发病趋势预测的一种有效的实验方法。