基于改进内部搜索算法与多层前馈神经网络的 COVID-19 预测
神经与进化计算
2020-04-14 v1 信号处理
摘要
COVID-19 是一种于 2019 年 12 月在中国武汉出现的新型冠状病毒。随着其在全球各地严重且动态增长的暴发危机，确诊数 (CS) 的预测图与分析成为一项至关重要且极具挑战的任务。本研究提出一种新的预测模型，基于自 2020 年 1 月 22 日以来的报告数据，分析和预测未来数日的 COVID-19 确诊数。所提出的预测模型名为 ISACL-MFNN，将基于混沌学习 (CL) 策略的改进内部搜索算法 (ISA) 集成到多层前馈神经网络 (MFNN) 中。ISACL 结合 CL 策略以提升 ISA 性能并避免陷入局部最优。通过该方法，旨在以最优值调整神经网络参数来训练网络，从而在预测结果上达到高精度水平。ISACL-MFNN 模型基于世界卫生组织 (WHO) 报告的 COVID-19 官方数据，对未来数日的确诊数进行分析。所提预测模型的性能通过引入平均绝对误差 (MAE)、均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE) 等指标进行验证与评估，并与其他优化算法进行比较。该模型在受疫情影响最严重的国家（即美国、意大利和西班牙）进行了研究。实验仿真表明，在候选国家的预测任务中，所提 ISACL-MFNN 相较其他算法具有更优的性能。
引用
@article{arxiv.2004.05960,
title = {COVID-19 forecasting based on an improved interior search algorithm and multi-layer feed forward neural network},
author = {Rizk M. Rizk-Allah and Aboul Ella Hassanien},
journal= {arXiv preprint arXiv:2004.05960},
year = {2020}
}
备注
24 pages, 3 Tables and 8 Figures