利用公共卫生数据的多任务LSTM用于虫媒病毒暴发预测
机器学习
2025-05-08 v1
摘要
本文提出了一种基于长短期记忆（LSTM）网络的多任务学习方法，用于联合预测巴西累西腓的登革热、基孔肯雅热和寨卡病毒的虫媒病毒暴发与病例数。利用来自DataSUS（2017-2023）的历史公共卫生数据，所提出的模型同时执行二元分类（暴发检测）和回归（病例预测）任务。采用滑动窗口策略，使用不同的输入长度（60、90和120天）构建时间特征，并使用Keras Tuner进行超参数优化。模型评估使用时间序列交叉验证以保证鲁棒性，并使用2023年的留出测试集进行泛化能力评估。结果表明，更长的窗口提高了登革热回归的准确性，而分类性能在中等窗口长度时达到峰值，这表明序列长度与泛化能力之间存在最优权衡。多任务架构在不同疾病和任务上均提供了有竞争力的性能，证明了在数据有限的公共卫生场景中，采用统一建模策略进行可扩展流行病预测的可行性和优势。
引用
@article{arxiv.2505.04566,
title = {Multitask LSTM for Arboviral Outbreak Prediction Using Public Health Data},
author = {Lucas R. C. Farias and Talita P. Silva and Pedro H. M. Araujo},
journal= {arXiv preprint arXiv:2505.04566},
year = {2025}
}
备注
6 pages, 4 figures