期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于贝叶斯深度学习方法的上海新冠肺炎病例时空预测和不确定性量化
1
作者 周世荣 汤银才 +2 位作者 王平平 庄亮亮 徐嘉威 《应用概率统计》 CSCD 北大核心 2024年第2期298-322,共25页
2022年春季在上海爆发的新冠肺炎疫情对上海的社会、经济和居民的日常生活造成了严重影响.新冠肺炎的传播通常表现出复杂的非线性动力学,受环境、人口统计、医疗条件、核酸或抗原检测频率、流行病控制策略等影响.具有复杂网络结构和广... 2022年春季在上海爆发的新冠肺炎疫情对上海的社会、经济和居民的日常生活造成了严重影响.新冠肺炎的传播通常表现出复杂的非线性动力学,受环境、人口统计、医疗条件、核酸或抗原检测频率、流行病控制策略等影响.具有复杂网络结构和广泛训练的长短期记忆(LSTM)模型被广泛用于学习和预测流行病的传播.然而,这种模型既没有解释数据的不确定性,也没有考虑各种协变量和异质性的影响.因此,本文提出了一个两阶段LSTM嵌套广义泊松回归模型来分析2022年春季上海爆发的新冠肺炎疫情数据.在第一阶段,训练一个多层LSTM网络来学习特定地区的感染数据,然后使用训练好的LSTM来拟合和预测有症状的新冠肺炎感染人数.在第二阶段,在分层贝叶斯框架下通过广义泊松回归模型对预测的病例数进行建模,其中相对风险的对数用带有协变量和时空异质性的随机效应的线性函数来建模.在深度学习方法的帮助下,时空广义泊松回归模型可以预测和量化每日新增症状感染数量的不确定性.此外,得益于从协变量和时空异质性的借力,基于贝叶斯深度学习方法的预测比基于LSTM方法的预测性能更好. 展开更多
关键词 COVID-19 LSTM 泊松回归模型 积分嵌套拉普拉斯近似(inla)
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部