基于灰狼优化与多机器学习的重大传染病集合预测研究——以COVID-19疫情为例
作者:曲宗希; 沙勇忠; 李雨桐
更新时间:
[目的]预测主要传染病的发展趋势,提前制定应对措施,探索基于多目标的集成预测方法,建立准确有效的传染病疫情预测模型方法],检索了LSSVM和LSTM,建立了主要传染病的集合预测模型。结果]ANFIS、LSSVM和LSTM分别适用于确诊病例、死亡病例和康复病例。在三种情景下,基于灰太狼优化的集成预测模型在R2分别达到0.987、0.993和0.987,为38.79%,比单一模型的RMSE平均值低64.40%和53.88%【局限性】该模型需要利用其他主要传染病的疫情数据进一步验证结论】不同机器学习的预测性能有其自身的优势。基于gray-wolf优化的集合预测模型能够有效地集成多机学习的优点,从而获得稳定、准确的预测结果。