使用时变 SIRD、粒子群优化和深度学习的混合方法进行流行病建模
机器学习
2024-02-01 v1 神经与进化计算
物理与社会
摘要
如果传播模式是平稳的，流行病学模型最适合对流行病进行建模。为了处理非平稳模式和流行病的多波次传播，我们开发了一个包含流行病学建模、粒子群优化和深度学习的混合模型。该模型主要服务于三个目标以实现更好的预测：1. 周期性估计模型参数。2. 利用数据拟合和参数优化纳入所有方面的影响。3. 基于深度学习的模型参数预测。在我们的模型中，我们使用常微分方程组进行易感-感染-康复-死亡（SIRD）流行病建模，使用粒子群优化（PSO）进行模型参数优化，并使用堆叠式 LSTM 预测模型参数。模型参数的初始或一次性估计无法模拟流行病的多波次传播。因此，我们定期（每周）估计模型参数。我们使用 PSO 来识别模型参数的最优值。接下来，我们在优化后的参数上训练堆叠式 LSTM，并对未来四周的模型参数进行预测。此外，我们将 LSTM 预测的参数输入 SIRD 模型，以预测 COVID-19 病例数。我们在三个受影响严重的国家（即美国、印度和英国）评估了该模型。所提出的混合模型能够处理多波次传播，并且在所有三个数据集上均优于现有方法。
引用
@article{arxiv.2401.18047,
title = {Epidemic Modeling using Hybrid of Time-varying SIRD, Particle Swarm Optimization, and Deep Learning},
author = {Naresh Kumar and Seba Susan},
journal= {arXiv preprint arXiv:2401.18047},
year = {2024}
}
备注
Accepted in ICCCNT 2023