基于智能体无线传感网络模型的机器学习流行病预测
机器学习
2025-11-21 v1 网络与互联网体系结构
摘要
在无线传感网络 (WSNs) 中缺乏流行病学数据是构建健壮模型以预测和缓解诸如病毒和蠕虫等威胁的根本困难。许多研究探讨了针对WSNs的不同流行病模型，关注基于网络特定属性（包括能源限制和节点移动性）如何传播恶意软件感染。在本研究中，采用了易感-暴露-感染-恢复-接种 (SEIRV) 数学模型的智能体实现，用于机器学习 (ML) 预测。利用诸如 NetLogo BehaviorSpace 和 Python 等工具，生成并准备了两个流行病合成数据集，用于应用多种机器学习算法。将问题设定为回归问题，预测感染和恢复节点，并使用训练集和测试集的误差指标比较这些算法的性能。预测表现良好，误差指标较低，R^2 值高达 0.997、1.000、0.999、1.000，表明对训练集具有良好的拟合。验证值较低（分别为 0.992、0.998、0.971 和 0.999），这符合在对不可见数据进行模型性能评估时通常遇到的情形。基于记录的性能，支持向量、线性、Lasso、Ridge 和 ElasticNet 回归算法表现最差，而随机森林、XGBoost、决策树和 k 近邻实现了最佳结果。
引用
@article{arxiv.2511.15982,
title = {Machine Learning Epidemic Predictions Using Agent-based Wireless Sensor Network Models},
author = {Chukwunonso Henry Nwokoye and Blessing Oluchi and Sharna Waldron and Peace Ezzeh},
journal= {arXiv preprint arXiv:2511.15982},
year = {2025}
}
备注
8 pages