基于预训练⁃微调策略的COVID⁃19预测模型

摘要：

COVID-19的世界性大流行对整个社会产生了严重的影响,通过数学建模对确诊病例数进行预测将有助于为公共卫生决策提供依据.在复杂多变的外部环境下,基于深度学习的传染病预测模型成为研究热点.然而,现有模型对数据量要求较高,在进行监督学习时不能很好地适应低数据量的场景,导致预测精度降低.构建结合预训练-微调策略的COVID-19预测模型P-GRU.通过在源地区数据集上采用预训练策略,使模型提前获得更多的疫情数据,从而学习到COVID-19的隐式演变规律,为模型预测提供更充分的先验知识,同时使用包含最近历史信息的固定长度序列预测后续时间点的确诊病例数,并在预测过程中考虑本地人为限制政策因素对疫情趋势的影响,实现针对目标地区数据集的精准预测.实验结果表明,预训练策略能够有效提高预测性能,相比于卷积神经网络、循环神经网络、长短期记忆网络和门控循环单元模型,P-GRU模型在平均绝对百分比误差和均方根误差评价指标上表现优异,更适合用于预测COVID-19传播趋势.

关键词：新型冠状病毒肺炎;预训练;微调;限制政策;门控循环单元;P-GRU预测模型

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：上海市科委国际合作项目;中国博士后科学基金

在线出版日期：2022-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：17-22