基于多源数据融合的流行病组合预测方法

为了改善传统流行病预测模型普遍存在的准确度低、泛化性弱、结构单一、非线性处理能力差、预测时间长等问题,研究基于多源数据融合的流行病组合预测方法。将采集到的流行病多源数据进行归一化和主成分分析技术特征选择,结合ARIMA模型、灰色GM模型和BPNN神经网络,构建一个ARIMA-GM-BPNN流行病组合预测模型,将前两种预测模型的拟合值作为BPNN神经网络的输入,进行模型训练,将数据充分融合后,综合不同预测模型的优点,获取最优流行病组合预测模型,对未来流行病的发病率和发病趋势进行预测。实验表明该方法组合模型拟合效果很好,流行病发病率预测值与真实值接近,预测趋势也十分吻合,提高预测精度和泛化能力,可以为流行病的预测和防治工作提供可靠的数据支持。