基于综合学习粒子群优化的多步超前流感预测建模框架
机器学习
2021-10-28 v1 神经与进化计算
摘要
流感流行是重大的公共卫生问题。由于流感预测通常依赖于每周临床或实验室监测数据，典型如每周流感样疾病（ILI）率序列，利用 ILI 序列进行准确的多步超前流感预测尤为重要，尤其对于潜在的流感暴发。本研究提出基于综合学习粒子群优化（CLPSO）的机器学习（CLPSO-ML）框架，结合支持向量回归（SVR）和多层感知机（MLP）用于多步超前流感预测。利用中国南方和北方的每周 ILI 率序列，对迭代策略、直接策略和多输入多输出（MIMO）策略这三种常用多步超前预测建模策略的性能与潜力进行了全面检验与比较。结果表明：（1）MIMO 策略取得最佳的多步超前预测，且对更长预测期潜在更具适应性；（2）迭代策略在得出预测峰值出现时间与流感暴发真实峰值间最小时间差方面展现出特殊潜力；（3）对于中国北方 ILI，采用 MIMO 策略的 SVR 模型表现最佳，且采用迭代策略的 SVR 尤其在暴发期也表现出显著性能；而对于中国南方 ILI，采用 MIMO 策略的 SVR 与 MLP 模型均具有有竞争力的预测性能。
引用
@article{arxiv.2110.14343,
title = {Comprehensive learning particle swarm optimization enabled modeling framework for multi-step-ahead influenza prediction},
author = {Siyue Yang and Yukun Bao},
journal= {arXiv preprint arXiv:2110.14343},
year = {2021}
}