[论文解读] Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics

Madhurima Panja, Tanujit Chakraborty+2 more|arXiv (Cornell University)|Jun 21, 2022

COVID-19 epidemiological studies被引用 4

一句话总结

本文提出Epicasting，一种集成小波神经网络（EWNet），结合最大重叠离散小波变换（MODWT）与自回归神经网络（ARNN），以提升对非线性和非平稳流行病时间序列的预测性能。该模型在15个真实世界流行病数据集上超越了22种最先进的统计、机器学习和深度学习模型，展现出更优的准确性与理论稳定性，能够提供可靠的预测区间。

ABSTRACT

Infectious diseases remain among the top contributors to human illness and death worldwide, among which many diseases produce epidemic waves of infection. The unavailability of specific drugs and ready-to-use vaccines to prevent most of these epidemics makes the situation worse. These force public health officials and policymakers to rely on early warning systems generated by reliable and accurate forecasts of epidemics. Accurate forecasts of epidemics can assist stakeholders in tailoring countermeasures, such as vaccination campaigns, staff scheduling, and resource allocation, to the situation at hand, which could translate to reductions in the impact of a disease. Unfortunately, most of these past epidemics exhibit nonlinear and non-stationary characteristics due to their spreading fluctuations based on seasonal-dependent variability and the nature of these epidemics. We analyse a wide variety of epidemic time series datasets using a maximal overlap discrete wavelet transform (MODWT) based autoregressive neural network and call it EWNet model. MODWT techniques effectively characterize non-stationary behavior and seasonal dependencies in the epidemic time series and improve the nonlinear forecasting scheme of the autoregressive neural network in the proposed ensemble wavelet network framework. From a nonlinear time series viewpoint, we explore the asymptotic stationarity of the proposed EWNet model to show the asymptotic behavior of the associated Markov Chain. We also theoretically investigate the effect of learning stability and the choice of hidden neurons in the proposal. From a practical perspective, we compare our proposed EWNet framework with several statistical, machine learning, and deep learning models. Experimental results show that the proposed EWNet is highly competitive compared to the state-of-the-art epidemic forecasting methods.

研究动机与目标

• 解决由于季节性变化和复杂传播动力学导致的非线性和非平稳流行病时间序列预测挑战。
• 开发一种稳健、数据驱动的预测框架，支持公共卫生领域的实时决策。
• 整合小波分解与神经网络，以增强对多尺度流行病模式的建模能力。
• 提供一种理论基础坚实、计算效率高的深度学习替代方案，具备可靠的不确定性量化能力。
• 通过高精度、增量式预测，支持早期预警系统，提升流行病准备能力。

提出的方法

• EWNet框架应用最大重叠离散小波变换（MODWT）将流行病时间序列分解为多尺度分量，捕捉非平稳性和季节性行为。
• 每个小波分解后的分量被输入至自回归神经网络（ARNN）进行独立预测，使模型能够学习复杂的时序依赖关系。
• 各ARNN的预测结果通过聚合方式重构为最终预测，形成集成小波神经网络结构。
• 理论分析建立了相关马尔可夫链的渐近平稳性，并研究了学习稳定性及最优隐藏神经元选择。
• 模型采用均方误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（sMAPE）和基于训练集的平均误差（MASE）作为性能指标，支持增量或批量再训练以实现实时部署。
• 超参数选择基于理论分析，相比深度学习基线显著降低了运行时复杂度。

实验结果

研究问题

• RQ1 基于小波的分解能否提升对非线性和非平稳流行病时间序列的预测准确性？
• RQ2 将MODWT与ARNN结合后，其预测性能相比独立模型有何提升？
• RQ3 所提出的EWNet框架在理论上的稳定性与收敛行为如何？
• RQ4 EWNet在15个不同流行病数据集上与22种统计、机器学习和深度学习模型相比，性能表现如何？
• RQ5 EWNet模型能否支持公共卫生应用中的实时、增量式预测，并提供可靠的预测区间？

主要发现

• EWNet模型在全部15个流行病数据集中表现优异，在RMSE、MASE、MAE和sMAPE指标上均超越22个基准模型。
• 模型在多种疾病（包括流感、登革热、乙型肝炎和疟疾）中展现出强大的泛化能力，覆盖不同地理区域和数据频率。
• 理论分析证实了EWNet底层马尔可夫链的渐近平稳性，支持长期预测的可靠性。
• 由于合理的超参数选择，所提模型表现出更优的学习稳定性与更低的计算复杂度，支持实时部署。
• MODWT与ARNN的结合显著提升了对多尺度流行病动态的建模能力，尤其在捕捉季节性与波动传播模式方面表现突出。
• 该模型适用于作为早期预警系统部署，支持增量再训练，能够根据新报告的发病率数据动态调整预测。