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

摘要：

[目的]预知重大传染病的发展趋势可提前制定应对措施,探索基于多机器学习的集合预测方法构建准确有效的传染病疫情预测模型.[方法]建立融合多机器学习的重大传染病集合预测模型,基于灰狼优化算法搜索获得集合模型的最优权重系数.通过COVID-19疫情数据设计实验评估模型预测性能.[结果]ANFIS、LSSVM和LSTM分别适用于确诊、死亡和恢复病例情景;基于灰狼优化的集合预测模型在三种情景下的平均R2分别达到0.989、0.993和0.987,相较于各单项模型的平均RMSE分别降低了 37.37％、63.93％和53.37％.[局限]模型需使用其他重大传染病疫情数据进一步验证.[结论]不同机器学习的预测表现各有所长,基于灰狼优化的集合预测模型能够有效融合多机器学习的优势,从而获得稳定、精确的预测结果.

关键词：重大传染病疫情、集合预测、灰狼优化、机器学习

所属期刊栏目：6

分类号：R183;TP181(流行病学与防疫)

资助基金：国家自然科学基金72004086

在线出版日期：2022-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：122-133