Resumen

La diarrea infecciosa tiene una alta morbilidad y mortalidad en todo el mundo. Por esta razón, la predicción de la diarrea ha surgido como un problema importante para prevenir y controlar brotes. Numerosos estudios han construido modelos de predicción de enfermedades utilizando datos a gran escala. Sin embargo, estos métodos tienen un bajo rendimiento en datos de diarrea. Para abordar este problema, este artículo propone un modelo parsimonioso (PM), que toma recuentos históricos de visitas ambulatorias, factores meteorológicos (MFs) e índices de búsqueda de Baidu (BSIs) como entradas para realizar predicciones. Se realizó una evaluación experimental para comparar el rendimiento de predicción a corto plazo de diez algoritmos para cuatro grupos de entradas, utilizando datos recopilados en Xiamen, China. Los resultados muestran que el método propuesto es efectivo para mejorar la precisión de la predicción.

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Diarrea infecciosa; Morbilidad; Mortalidad; Modelos de predicción; Recuentos históricos de visitas ambulatorias; Factores meteorológicos
• Keywords:Infectious diarrhea; Morbidity; Mortality; Prediction models; Historical outpatient visit counts; Meteorological factors