A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

In der komplexen Welt der öffentlichen Gesundheit ist die Vorhersage der Zukunft oft eine Frage von Leben und Tod. Wenn sich ein Virus ausbreitet, müssen Regierungen nicht nur wissen, wie viele Menschen heute krank sind, sondern wie viele morgen erkranken könnten. Dies ist das Gebiet der Zeitreihenmodellierung, einer Methode, bei der man sich vergangener Muster ansieht, um vorherzusagen, was als Nächstes kommt. Seit Jahrzehnten nutzen Wissenschaftler statistische Werkzeuge, um Linien durch Datenpunkte zu ziehen, in der Hoffnung, die Gestalt kommender Ereignisse zu erkennen. Die Ausbreitung von Krankheiten verläuft jedoch selten geradlinig; sie ist ein chaotisches, sich verschiebendes Phänomen, das von menschlichem Verhalten, politischen Änderungen und biologischen Faktoren beeinflusst wird. Um diese Komplexität zu bewältigen, haben Forscher auf künstliche Intelligenz zurückgegriffen, insbesondere auf eine Art von Computerprogramm, das als neuronales Netz bezeichnet wird. Stellen Sie sich ein neuronales Netz wie ein digitales Gehirn vor, das aus Beispielen lernt und seine internen Verbindungen so lange anpasst, bis es Muster erkennen kann, die die traditionelle Mathematik vielleicht übersehen würde. Doch selbst diese digitalen Gehirne können stecken bleiben oder Fehler machen, wenn sie nicht korrekt gesteuert werden. Hier kommt eine neuere Klasse von Problemlösungswerkzeugen ins Spiel, die als metaheuristische Algorithmen bekannt sind. Dies sind computergestützte Strategien, die von der Natur inspiriert sind – etwa wie Vögel in Schwärmen fliegen oder Wale jagen – und die Computern helfen, durch ein riesiges Spektrum an Möglichkeiten zu suchen, um die bestmögliche Lösung zu finden und dabei Sackgassen sowie lokale Fallen zu vermeiden.

Vor diesem Hintergrund dringender Notwendigkeit und technologischer Innovation setzte sich ein Forscher der Khatam University in Teheran zum Ziel, die Art und Weise zu verfeinern, wie wir die tödliche Bilanz der COVID-19-Pandemie vorhersagen. Mit dem Fokus auf die Niederlande, ein Land, das signifikante Infektionswellen erlebte, analysierte die Studie tägliche Sterberegister vom Beginn des Ausbruchs im Februar 2020 bis April 2021. Das Ziel war nicht bloß, die Toten zu zählen, sondern eine präzisere Vorhersagemaschine zu bauen. Der Forscher begann damit, den Computer mit einer breiten Palette von Datenpunkten zu füttern, die aus den täglichen Sterbezahlen abgeleitet wurden. Anstatt nur die rohe Anzahl der Todesfälle zu verwenden, transformierte das Team diese Daten in sechzehn verschiedene mathematische Indikatoren, ähnlich der Art und Weise, wie ein Finanzanalyst gleitende Durchschnitte oder Momentum betrachten könnte, um Aktienkurse vorherzusagen. Diese Indikatoren halfen dem Computer, die Trends, die Änderungsgeschwindigkeit und die Volatilität der Pandemiekurve zu erkennen. Um sicherzustellen, dass der Computer nicht von unnötigen Informationen überwältigt wird, setzte der Forscher einen genetischen Algorithmus ein – ein Prozess, der die biologische Evolution nachahmt –, um die Daten zu sieben und nur die relevantesten Indikatoren für das endgültige Modell auszuwählen.

Nachdem die Daten vorbereitet waren, testete die Studie verschiedene Wege, um das Vorhersagemodell zu trainieren. Die Basislinie war ein standardmäßiges künstliches neuronales Netz, ein an sich schon leistungsstarkes Werkzeug. Der Forscher führte jedoch vier verschiedene metaheuristische Algorithmen ein, um zu sehen, ob sie das neuronale Netz zu einer besseren Antwort führen könnten. Dazu gehörten die Moth-Flame Optimization (Mottenflammen-Optimierung), die simuliert, wie Motten zum Licht navigieren; der Whale Optimization Algorithm (Wal-Optimierungsalgorithmus), der die Strategie der Netzjagd von Buckelwalen modelliert; der Giza Pyramids Construction Algorithmus, der sich auf die Physik des Bewegen schwerer Steine eine Rampe hinauf bezieht; und eine neuere Methode namens Future Search Optimization. Dieser letzte Algorithmus ist in seinem Ansatz einzigartig, da er modelliert, wie Menschen in einer Gesellschaft versuchen, ihr Leben zu verbessern, indem sie die erfolgreichsten Individuen imitieren und ihren Weg ständig in Richtung eines globalen Ideals anpassen. Der Computer wurde angewiesen, diese verschiedenen Strategien tausende Male durchzuführen, wobei er jedes Mal versuchte, den Fehler zwischen seiner Vorhersage und den tatsächlichen historischen Daten zu minimieren.

Die Ergebnisse dieses umfangreichen digitalen Experiments waren klar und eindeutig. Während das standardmäßige neuronale Netz eine ordentliche Prognose lieferte, wurde es von den Algorithmen übertroffen, die eine naturinspirierte Führung nutzten. Unter den verschiedenen getesteten Methoden erwies sich der Future Search Optimization Algorithmus als das präziseste Werkzeug. Er erreichte ein Genauigkeitsniveau, das um Größenordnungen besser war als das der anderen Methoden, einschließlich der von Walen und Motten inspirierten Strategien. Die Studie fand heraus, dass dieser Algorithmus die chaotischen Daten der Pandemie mit einem Grad an Präzision navigieren konnte, den die anderen Modelle nicht erreichen konnten, indem er effektiv den optimalen Pfad durch das Rauschen der täglichen Schwankungen fand. Die Forschung demonstrierte, dass es durch die Kombination der Mustererkennungskraft neuronaler Netze mit der strategischen Suchfähigkeit dieser fortgeschrittenen Algorithmen möglich ist, ein Modell zu schaffen, das sowohl schneller als auch genauer ist. Die Studie kommt zu dem Schluss, dass es für zukünftige Pandemien entscheidend sein könnte, sich auf diese hybriden Methoden zu verlassen, um Regierungen die zuverlässige Weitsicht zu geben, die für rechtzeitige Entscheidungen notwendig ist, was potenziell Leben retten kann, indem es frühere und effektivere Interventionen ermöglicht. Die Arbeit legt nahe, dass der Schlüssel zum Verständnis der zukünftigen Ausbreitung von Krankheiten nicht nur darin liegt, in die Vergangenheit zu blicken, sondern darin, die richtigen computergestützten Werkzeuge zu nutzen, um sie zu interpretieren.