Machine Learning Models for Dengue Forecasting in Singapore

这篇文章讨论了在世界范围内登革热病例数量的快速增长，尤其是在传统的流行区域以外的地区。由于目前缺乏直接的治疗或疫苗，因此通过控制病媒来预防疫情爆发被广泛认为是最有效的管理方式。本研究使用了传统的状态空间模型（移动平均、自回归、ARIMA、SARIMA）、监督学习技术（XGBoost、SVM、KNN）和深度网络（LSTM、CNN、ConvLSTM）来预测新加坡每周的登革热病例。气象数据和搜索引擎趋势被作为机器学习技术的特征。结果表明，使用CNN的预测在2019年每周病例的均方根误差最小。

本论文旨在使用不同的机器学习技术预测新加坡每周登革热病例数，以解决登革热疫情的预防和控制问题。

本论文使用传统的状态空间模型、监督学习技术和深度网络，结合气象数据和搜索引擎趋势等因素，对新加坡每周登革热病例数进行预测，并通过实验验证了使用CNN技术的预测效果最佳。

本论文使用了多种机器学习技术进行预测，并结合气象数据和搜索引擎趋势等因素，相比当前领域的研究更加全面。实验结果表明，使用CNN技术的预测效果最佳。

在登革热疫情预测领域，还有一些相关研究，如： 1. Dengue prediction using machine learning and neuro-fuzzy system 2. Prediction of dengue incidence using search engine query data and weather variables 3. A review of dengue prediction and advanced machine learning techniques