融合时序成像和卷积网络的流感预测方法

摘要

当前流感预测模型常采用传统流感监测数据作为一维数字流感序列来进行预测，这种方法在特征提取方面存在局限，无法有效挖掘序列中的深层信息，从而影响其预测精度。为解决这一问题，提出了一种端到端的基于图像编码的单变量卷积神经网络集成模型。该模型通过时间序列成像技术将一维数字序列编码为二维图像序列，为模型提供基于图像的独特信息特征；在此基础上，利用集成群体智能优化算法设计并搭建了深度学习网络模型，然后利用卷积神经网络图像处理方法进行特征提取，完成对2013年-2019年和2019年-2023年两段流感数据集的流感预测。实验结果表明，相较于基线模型方法，该模型的平均绝对标度误差（MASE）和对称平均绝对百分比误差（sMAPE）分别为1.138, 2.307和10.505%, 13.881%，流感预测性能更优，且具备良好的鲁棒性和灵活性。此外，实验结果还验证了卷积神经网络图像处理在流感时序预测领域中的优势和实用性。

关键词

流感预测 / 时序成像 / 群体智能优化算法 / 卷积神经网络