关键词:
时间序列
变权组合预测
金豺算法
实时再生数
摘要:
自2019年底以来,新发传染病(COVID-19)以高传播性和强变异性席卷全球,各国迅速根据疫情传播形势采取了相应的防控措施。作为全球面临的一场重大卫生危机,其冲击力影响了经济、政治和卫生等多个领域,尽管全球现处于“后疫情”时代,仍需要对COVID-19的流行和传播趋势进行实时监测,以及评价政府出台的防控措施对疫情传播的影响。因此根据疫情数据构建高精度的传染病预测模型,对政府部门制定科学合理的疫情防控政策具有重要意义。本文研究如下
首先为了实时监测陕西省COVID-19传播现状和政策防控措施的有效性,结合每日新增感染人数,通过贝叶斯框架刻画了 2021年12月1日至2023年1月1日期间陕西省两轮疫情的实时再生数R_t的流行趋势,并结合每日综合政策指数建立log-log时变系数回归模型得到政策指数影响效应。结果表明陕西省政策指数影响效应随着时间的推移整体呈上升趋势,即早期由部门主导的一级响应策略和措施效果显著,但随着防疫政策的不断调整,后期政策措施对降低R_t放大效应逐渐减小。
其次针对金豺优化算法易早熟和局部开采能力弱等问题,采用随机收缩指数函数修正金豺对的能量递减机制,引入正弦波动速率调节变异因子,提出一种基于自适应变异和动态能量策略的IGJO算法。选取9个基准函数进行数值实验,结果表明相较于ALO、GWO、WOA和GJO算法,IGJO算法具有较强的搜索能力,能够快速地跳出局部最优。
最后建立了融合ANN、SVR、RNN和LSTM四种机器学习模型的非线性GRNN变权组合预测模型,通过IGJO优化算法搜索获得变权组合模型的最优权重系数,并分别对伊朗和秘鲁的每日新增确诊人数进行实验评估模型性能。结果表明,该模型对伊朗和秘鲁的平均R2分别为0.9990和0.9989,相较于四种单一预测模型的平均RMSE分别降低了 85.24%、70.81%、80.99%和78.57%,其预测性能优于等权赋值和熵权赋值组合预测模型,可以为疫情实时监测和相关防控措施的制定提供一定的参考。