Epicasting：用于传染病预测的集成小波神经网络（EWNet）
机器学习
2023-07-18 v3 混沌动力学
种群与进化
定量方法
应用统计
摘要
传染病仍是全球人类患病与死亡的首要因素之一，其中许多疾病会产生感染性的流行波。针对大多数此类流行病缺乏特定药物与即用疫苗的现状使情况更糟。这迫使公共卫生官员与政策制定者依赖由可靠且准确的流行病预测所生成的预警系统。准确的流行病预测可协助利益相关方针对当下情况调整应对措施（如疫苗接种活动、人员排班与资源分配），从而可能降低疾病的影响。遗憾的是，由于基于季节相关变异及流行病本身性质所带来的传播波动，多数既往流行病呈现出非线性与非平稳特征。我们使用基于极大重叠离散小波变换（MODWT）的自回归神经网络分析了多种流行病时间序列数据集，并将其称为 EWNet 模型。MODWT 技术有效刻画了流行病时间序列中的非平稳行为与季节依赖性，并在所提集成小波网络框架中改进了自回归神经网络的非线性预测方案。从非线性时间序列视角，我们探究了所提 EWNet 模型的渐近平稳性，以展示相关马尔可夫链（Markov Chain）的渐近行为。我们还从理论层面研究了学习中稳定性及隐藏神经元选择的影响。从实践角度，我们将所提 EWNet 框架与若干统计、机器学习及深度学习模型进行比较。实验结果表明，相较于最先进的流行病预测方法，所提 EWNet 极具竞争力。
引用
@article{arxiv.2206.10696,
title = {Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics},
author = {Madhurima Panja and Tanujit Chakraborty and Uttam Kumar and Nan Liu},
journal= {arXiv preprint arXiv:2206.10696},
year = {2023}
}