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

Dans le monde complexe de la santé publique, prédire l'avenir est souvent une question de vie ou de mort. Lorsqu'un virus se propage, les gouvernements doivent savoir non seulement combien de personnes sont malades aujourd'hui, mais aussi combien pourraient tomber malades demain. C'est le domaine de la modélisation de séries temporelles, une méthode consistant à observer les schémas passés pour prévoir ce qui vient ensuite. Pendant des décennies, les scientifiques ont utilisé des outils statistiques pour tracer des lignes à travers des points de données, espérant voir la forme de ce qui est à venir. Cependant, la propagation d'une maladie est rarement une ligne droite ; c'est un phénomène chaotique et mouvant, influencé par le comportement humain, les changements de politiques et les facteurs biologiques. Pour naviguer dans cette complexité, les chercheurs se sont tournés vers l'intelligence artificielle, et plus précisément vers un type de programme informatique appelé réseau de neurones. Considérez un réseau de neurones comme un cerveau numérique qui apprend à partir d'exemples, ajustant ses connexions internes jusqu'à ce qu'il puisse reconnaître des motifs que les mathématiques traditionnelles pourraient manquer. Pourtant, même ces cerveaux numériques peuvent rester bloqués ou commettre des erreurs s'ils ne sont pas guidés correctement. C'est là qu'entre en scène une nouvelle classe d'outils de résolution de problèmes, connus sous le nom d'algorithmes métaheuristiques. Il s'agit de stratégies de calcul inspirées de la nature — comme la façon dont les oiseaux volent en groupe ou dont les baleines chassent — qui aident les ordinateurs à chercher parmi de vastes possibilités pour trouver la meilleure solution possible, en évitant les impasses et les pièges locaux.

Sur ce fond d'urgence et d'innovation technologique, un chercheur de l'Université Khatam de Téhéran s'est donné pour mission de perfectionner la manière dont nous prédisons le bilan mortel de la pandémie de COVID-19. En se concentrant sur les Pays-Bas, un pays qui a connu des vagues d'infection significatives, l'étude a analysé les registres de décès quotidiens du début de l'épidémie en février 2020 jusqu'en avril 2021. L'objectif n'était pas simplement de compter les morts, mais de construire une machine de prévision plus précise. Le chercheur a commencé par injecter dans l'ordinateur un large éventail de points de données dérivés des chiffres de décès quotidiens. Au lieu d'utiliser uniquement le décompte brut des décès, l'équipe a transformé ces données en seize indicateurs mathématiques différents, de la même manière qu'un analyste financier pourrait examiner les moyennes mobiles ou le momentum pour prédire les prix des actions. Ces indicateurs ont aidé l'ordinateur à percevoir les tendances, la vitesse de changement et la volatilité de la courbe de la pandémie. Pour s'assurer que l'ordinateur ne soit pas submergé par des informations inutiles, le chercheur a employé un algorithme génétique, un processus qui imite l'évolution biologique, afin de passer au crible les données et de ne sélectionner que les indicateurs les plus pertinents pour le modèle final.

Une fois les données préparées, l'étude a testé plusieurs façons différentes d'entraîner le modèle de prédiction. La base de référence était un réseau de neurones artificiels standard, un outil déjà puissant en soi. Cependant, le chercheur a ensuite introduit quatre algorithmes métaheuristiques différents pour voir s'ils pouvaient guider le réseau de neurones vers une meilleure réponse. Ceux-ci comprenaient l'Optimisation de la Flamme du Papillon (Moth-Flame Optimization), qui simule la façon dont les papillons de nuit naviguent par la lumière ; l'Algorithme d'Optimisation de la Baleine (Whale Optimization Algorithm), qui modélise la stratégie de chasse en filet de bulles des baleines à bosse ; l'algorithme de Construction des Pyramides de Gizeh (Giza Pyramids Construction), qui s'appuie sur la physique du déplacement de pierres lourdes sur une rampe ; et une méthode plus récente appelée Optimisation de Recherche Future (Future Search Optimization). Ce dernier algorithme est unique dans son approche, modélisant la façon dont les individus en société tentent d'améliorer leur vie en imitant les individus les plus performants, en ajustant constamment leur trajectoire vers un idéal global. L'ordinateur a été chargé d'exécuter ces différentes stratégies des milliers de fois, en essayant à chaque fois de minimiser l'erreur entre sa prédiction et les données historiques réelles.

Les résultats de cette expérience numérique approfondie ont été clairs et décisifs. Bien que le réseau de neurones standard ait fourni une prévision décente, il a été surpassé par les algorithmes utilisant un guidage inspiré de la nature. Parmi les diverses méthodes testées, l'algorithme d'Optimisation de Recherche Future s'est imposé comme l'outil le plus précis. Il a atteint un niveau de précision supérieur de plusieurs ordres de grandeur par rapport aux autres méthodes, y compris les stratégies inspirées des baleines et des papillons de nuit. L'étude a révélé que cet algorithme pouvait naviguer dans les données chaotiques de la pandémie avec un degré de précision que les autres modèles ne pouvaient égaler, trouvant efficacement la voie optimale à travers le bruit des fluctuations quotidiennes. La recherche a démontré qu'en combinant la puissance de reconnaissance de formes des réseaux de neurones avec la capacité de recherche stratégique de ces algorithmes avancés, il est possible de créer un modèle qui soit à la fois plus rapide et plus précis. L'étude conclut que pour les pandémies futures, s'appuyer sur ces méthodes hybrides pourrait fournir aux gouvernements la prévoyance fiable nécessaire pour prendre des décisions opportunes, permettant potentiellement de sauver des vies grâce à des interventions plus précoces et plus efficaces. Le travail suggère que la clé pour comprendre l'avenir de la propagation des maladies ne réside pas seulement dans l'observation du passé, mais dans l'utilisation des bons outils de calcul pour l'interpréter.