.png){kind=icon}
返回
Enhanced forecasting model for pandemic: hyperparameter optimisation using Q-learning integration
.png){kind=icon}
PRE
AI
DOI：10.1007/s10742-025-00367-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对疫情的有效管理高度依赖于及时准确的预测，以支持政策制定和公共卫生决策。然而，传统预测模型ARIMA、SARIMA和ETS通常缺乏处理疫情典型快速演变和不可预测动态所需的适应性。本文通过整合Q-Learning（一种强化学习算法）对Prophet预测模型进行了改进，该方法将超参数调优视为一个序贯决策过程。该自适应框架根据预测准确度持续调整参数（如转折点灵活性和季节性成分），显著提升了模型对非线性趋势、季节性模式及疫情数据中常见的突然变化的响应能力。将该Q-Learning增强的Prophet模型应用于新西兰COVID-19数据后，其表现优于ARIMA、SARIMA、ETS和标准Prophet模型。在7天预测期下，绝对误差从564.53降至433.80，对称百分比误差从6.68%降至4.71%，且14天和30天预测期也取得了类似改进。通过为政策制定者和医疗官员提供误差率最高降低23%（7天预测期）以及更长预测期的预测，该方法能够增强基于证据的政策决策、资源分配和整体疫情准备能力，其潜在应用可广泛扩展至医疗运营和动态预测挑战领域。
Keyword:
Forecasting
Prophet
Q-learning
Reinforcement learning
Public health
Time-series
期刊
H
IF:
1.6
论文数:
31
被引数:
595
机构
引用论文
Prophet forecasting model: a machine learning approach to predict the concentration of air pollutants (PM2.5, PM10, O3, NO2, SO2, CO) in Seoul, South Korea.png)
PeerJ
OAAI
PeerJIF0
OAAI分享收藏COVID-19 Pandemic Prediction using Time Series Forecasting Models2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT)
OAAI
2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT)IF0
OAAI分享收藏Combining seasonal ARIMA models with computational intelligence techniques for time series forecastingSOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
查看更多内容