用于流感预测的流行病学模型随机森林
机器学习
2022-06-22 v1
摘要
预测流感病毒导致的住院人数对公共卫生规划至关重要，以便医院能更好地为患者涌入做好准备。在流感季节期间，许多预测方法已被实时使用并提交给美国疾病控制与预防中心（CDC）进行公共沟通。这些预测模型范围从机理模型、自回归模型到机器学习模型。我们假设，通过使用多个机理模型生成潜在轨迹，并利用机器学习学习如何将这些轨迹组合成改进的预测，可以提升预测效果。我们提出了一种树集成模型设计，该设计利用我们基线模型SIkJalpha的个体预测器来提升其性能。每个预测器通过改变一组超参数生成。我们将为FluSight挑战赛（2022年）部署的前瞻性预测与所有其他提交的方法进行了比较。我们的方法完全自动化，无需任何手动调优。我们证明，基于随机森林的方法在平均绝对误差、覆盖率和加权区间得分方面能够改进个体预测器的预测。基于当前季节（2022年）所有每周提交的平均值，我们的方法在平均绝对误差和加权区间得分方面优于所有其他模型。随机森林的可解释性（通过分析树）使我们能够深入了解它如何改进个体预测器。
引用
@article{arxiv.2206.08967,
title = {Random Forest of Epidemiological Models for Influenza Forecasting},
author = {Majd Al Aawar and Ajitesh Srivastava},
journal= {arXiv preprint arXiv:2206.08967},
year = {2022}
}