广东技术师范大学Yin, Yingyu，迎来2024年第1篇SCI！
论论资讯 ｜ 2024-04-29 ｜
17热度
Computers in Biology and Medicine
Explore content
About the journal
Publish with us
Advanced forecasting of COVID-19 epidemic: Leveraging ensemble models, advanced optimization, and decomposition techniques
Yin Yingyu; Ahmadianfar Iman; Karim Faten Khalid; Elmannai Hela
Published：2024-04-16
DOI：10.1016/j.compbiomed.2024.108442
研究背景
在全球抗击新冠肺炎（COVID-19）疫情的过程中，准确预测疫情模式变得至关重要，以实施成功的干预措施，防止和控制疾病传播。然而，由于与COVID-19相关数据系列的显著波动，正确预测COVID-19疫情的走势是一项复杂而具有挑战性的任务。以往的研究局限于在流行病建模中仅使用单一的预测技术，忽视了不同预测程序的整合。在这种情况下对细节缺乏关注可能会导致比理想情况更糟糕的结果。
研究内容
这项研究引入了一个新颖的集成框架，将三种机器学习方法（核岭回归（KRidge）、深度随机向量函数链接（dRVFL）和岭回归）结合在一个线性关系（L-K<sub>Ridge</sub>-d<sub>RVFL</sub>-R<sub>idge</sub>）中。通过一种独特的方法，即自适应差分进化和粒子群优化（A-DEPSO）来优化这个框架。此外，还采用了一种有效的分解方法，称为时变滤波经验模态分解（TVF-EMD），来分解输入变量。同时，还实施了一种特征选择技术，具体使用轻量级梯度提升机（LGBM），以提取最具影响力的输入变量。研究使用来自意大利和波兰的COVID-19每日数据集作为实验样本。所有模型均用于预测COVID-19的两个时间跨度：10天和14天（t+10和t+14）。根据结果，所提出的模型在意大利（t+10 = 0.965, t+14 = 0.961）和波兰（t+10 = 0.952, t+14 = 0.940）两个案例研究中均能产生更高的相关系数（R）。
研究意义
实验结果表明，本文提出的模型在各种复杂的疫情预测情况中表现出色。所提出的集成模型表现出卓越的准确性和韧性，在有效性方面胜过所有类似模型。这种方法为未来的疫情预测提供了新的思路，有望在应对类似挑战时发挥重要作用。
希望这篇资讯文章能够帮助你更好地了解这项有关COVID-19疫情预测的前沿研究！
学术热榜
查看全部
相关资讯
换一批