.png){kind=icon}
返回
Edge-Cloud-Assisted Multivariate Time Series Data-Based VAR and Sequential Encoder-Decoder Framework for Multi-Disease Prediction
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-024-09898-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量临床时间序列数据，如人口统计信息、生活方式因素和健康指标等，对于多结果分析至关重要，能够捕捉多个变量间的复杂相互依赖关系并同步预测结果。在此背景下，本文提出了一种基于边缘-云计算范式的多变量时间序列数据分析框架。在该框架中，边缘计算用于开发由向量自回归-序列编码器（Vector Autoregression-Sequential Encoder）和序列编码器-解码器（Sequential Encoder-Decoder）模型组成的混合模型，以预测结果。另一方面，云计算在训练序列编码器（LSTM）和序列解码器方面发挥关键作用，用于处理复杂的大型数据集，并在固定的时间间隔/预测期限内更新自适应混合模型。这些间隔或预测期限与风险等级条件对齐，具体反映了风险状态的变动或切换，以适应新特征所需的窗口大小。此外，实验结果表明，所提出的框架在诊断多种疾病方面优于现有模型，其平均绝对百分比误差（MAPE）、中位数绝对百分比误差（MdAPE）和均方根误差（RMSE）的统计参数值分别为：糖尿病（0.200, 0.150, 0.012）、高血压（0.061, 0.060, 0.010）和心脏病发作（0.650, 0.600, 0.018），相较于其他当前最优模型。
Keyword:
Vector autoregression (VAR)
Long Short-Term Memory networks (LSTM)
Sequential Encoder-Decoder
Edge computing
Cloud computing
期刊
IF:
5.7
论文数:
4.9K
被引数:
1.1W
机构
引用论文
A highly accurate prediction for heart failure disease: a new deep attentive model with guided feature ranking心力衰竭疾病的高度精确预测：一种具有引导特征排序的新型深度注意力模型
OAAI
OAAI分享收藏Healthcare diagnostics with an adaptive deep learning model integrated with the Internet of medical Things (IoMT) for predicting heart disease与医疗物联网 (IoMT) 集成的自适应深度学习模型的医疗诊断，用于预测心脏病
PREAI
分享收藏The prediction of influenza-like illness using national influenza surveillance data and Baidu query data利用全国流感监测数据和百度查询数据预测流感样病例.png)
BMC PUBLIC HEALTH
OAAI
BMC PUBLIC HEALTHIF3.6
OAAI分享收藏AI in Healthcare: Time-Series Forecasting Using Statistical, Neural, and Ensemble Architectures医疗保健中的人工智能: 使用统计、神经和集成架构进行时间序列预测OAAI
OAAI分享收藏
查看更多内容