Seiarn: modelo inteligente de advertencia temprana de propagación de epidemias basado en la predicción de trayectorias LSTM
Autores: Wang, Liya; Dai, Yaxun; Wang, Renzhuo; Sun, Yuwen; Zhang, Chunying; Yang, Zhiwei; Sun, Yuqing
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Seiarn: modelo inteligente de advertencia temprana de propagación de epidemias basado en la predicción de trayectorias LSTM
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Modelo de compartimientos
Infección asintomática
Infección secundaria
Parámetros de tasa de contacto
Trayectoria LSTM
Tendencias epidémicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Se propone un modelo de compartimentos SEIARN con infección asintomática e infección secundaria para predecir la tendencia de COVID-19 de manera más precisa. El modelo se amplía de acuerdo con las características de propagación del nuevo coronavirus, se introducen los conceptos de compartimento de infección asintomática e infección secundaria, y los parámetros de tasa de contacto del modelo mejorado se actualizan en tiempo real utilizando la trayectoria LSTM, para realizar predicciones precisas. Este modelo SEIARN se basa primero en el modelo de compartimentos SEIR tradicional, teniendo en cuenta el compartimento de infección asintomática e infección secundaria. En segundo lugar, considera el desorden de la trayectoria y utiliza el modelo LSTM mejorado para predecir la trayectoria futura de los pacientes actuales y cruzarla con los pacientes susceptibles para obtener la tasa de contacto. Luego, realizamos la actualización en tiempo real de las tasas de exposición en el modelo SEIARN y la simulación de las tendencias epidémicas en Tianjin, Xi"an y Shijiazhuang. Finalmente, los experimentos de comparación muestran que el modelo SEIARN tiene un mejor desempeño en precisión de predicción, MSE y RMSE.
Descripción
Se propone un modelo de compartimentos SEIARN con infección asintomática e infección secundaria para predecir la tendencia de COVID-19 de manera más precisa. El modelo se amplía de acuerdo con las características de propagación del nuevo coronavirus, se introducen los conceptos de compartimento de infección asintomática e infección secundaria, y los parámetros de tasa de contacto del modelo mejorado se actualizan en tiempo real utilizando la trayectoria LSTM, para realizar predicciones precisas. Este modelo SEIARN se basa primero en el modelo de compartimentos SEIR tradicional, teniendo en cuenta el compartimento de infección asintomática e infección secundaria. En segundo lugar, considera el desorden de la trayectoria y utiliza el modelo LSTM mejorado para predecir la trayectoria futura de los pacientes actuales y cruzarla con los pacientes susceptibles para obtener la tasa de contacto. Luego, realizamos la actualización en tiempo real de las tasas de exposición en el modelo SEIARN y la simulación de las tendencias epidémicas en Tianjin, Xi"an y Shijiazhuang. Finalmente, los experimentos de comparación muestran que el modelo SEIARN tiene un mejor desempeño en precisión de predicción, MSE y RMSE.