×

两篇COVID-19病例时间序列预测 |巴西病例|美国病例

minsx minsx 发表于2020-11-24 14:59:58 浏览1451 评论0

抢沙发发表评论

COVID-19累积确诊病例:巴西的前景

[Submitted on 21 Jul 2020]


摘要:

新冠病毒(COVID-19)是一种新出现的疾病,自第一次通报以来,感染了数百万人。发展有效的短期预测模型可以了解未来的情况。在这方面,可以在公共卫生系统中制定战略规划,以避免死亡。本文自回归移动平均(ARIMA)集成,立体派(立体派),随机森林(RF),岭回归(脊)、支持向量回归(SVR)和stacking-ensemble学习评估在时间序列预测的任务只有一个,三个,提前六天COVID-19累计确诊病例在巴西的10个州中日常发病率高。在堆叠学习方法中,采用立体模型、射频模型、山脊模型和SVR模型作为基础学习者,高斯过程模型作为元学习者。基于改进指标、平均绝对误差和对称平均绝对百分比误差标准对模型的有效性进行评价。在大多数情况下,SVR和堆叠集成学习在采用的标准方面都比比较模型有更好的表现。总体而言,所建立的预测模型在1天、3天和6天的预测误差分别为0.87% - 3.51%、1.02% - 5.63%和0.95% - 6.90%。模型在所有场景中的排名分别为SVR、stacking ensemble learning、ARIMA、CUBIST、RIDGE和RF模型。一旦评估模型能够协助决策支持系统的管理人员,建议使用评估模型来预测和监测COVID-19病例的持续增长。


本文的贡献可以概括如下:
第一个贡献是有关小说的表现分析预测模型的累积COVID-19确诊病例在巴西,其模型的准确性协助行长决策来抑制猪流感的大规模流行有关卫生系统和策略;
第二项贡献是,我们可以强调使用异质机器学习模型以及叠加集成学习方法来预测巴西COVID-19累计确诊病例;
此外,本文还对多日前预测策略下的模型预测进行了评价。预测的时间范围是一、三天和六天的间隔。这一预测时间范围使我们能够验证预测模型在不同情景下的有效性,有助于制定未来抗击COVID-19的战略。

图2:建议的预测框架

图3:AM、BA、CE和MG状态的预测和观察到的累计确诊病例.。

在图3a和4c中,模型,RIDGE和CUBIST,以及图3d和4f SVR都很难捕获第一次观测的可变性。


关注人工智能学术前沿 回复 :ts18

5秒免费获取论文pdf文档,及项目源码



基于人工智能结合气候外生变量预测巴西和美国COVID-19病例

[Submitted on 6 Jul 2020]


摘要:

新型冠状病毒病(COVID-19)是一个公共卫生问题,据世界卫生组织统计,截至2020年6月10日,全球已有710多万人感染,40多万人死亡。在目前的情况下,巴西和美利坚合众国每天的新病例和死亡发病率很高。因此,预测一周时间窗内的新病例数,有助于公共卫生系统制定应对COVID19的战略规划,具有重要意义。预测人工智能(AI)模型的应用有潜力处理复杂的动态行为的时间序列,如COVID-19。在本文中,贝叶斯回归神经网络、三次回归、k近邻、分位数随机森林和支持向量回归被单独使用,并与最近的预处理变分模式分解(VMD)结合使用,将时间序列分解为几个内在模式函数。所有人工智能技术的评估都是在对巴西和美国5个州新冠肺炎累计病例提前1天、3天和6天进行时间序列预测的任务中进行的,到2020年4月28日为止,新冠肺炎累计病例数量很高。所有预测模型的输入均采用以前累积的COVID-19病例和日气温、降水量等外生变量。基于性能标准对模型的有效性进行了评价。总体而言,VMD混合模型在准确性上优于单一预测模型,特别是当地平线在6天前时,混合VMD单一模型在70%的情况下取得了更好的准确性。外生变量作为预测变量的重要程度由高到低依次为过去的情况、温度和降水。因此,由于所评估的模型在预测新冠肺炎累积病例方面的效率最高可达6天,因此可推荐采用的模型作为预测前景良好的模型,并可用于协助制定缓解新冠肺炎疫情影响的公共政策。


本文的贡献可以概括如下:
第一,提出了未分解模型和分解模型两种框架,用于预测巴西和美国5个州新累积病例。
预计这些评估模型可以作为最准确的方法来进行决策,以构建卫生系统,以避免医院过度拥挤,并防止新的死亡。
第二个贡献是,我们可以强调使用一组独特的人工智能模型,这些模型基于关于学习结构的机器学习方法,即使最近有效的VMD预处理预测了巴西和美国COVID-19新累积病例。预测模型BRNN、CUBIST、KNN、QRF、SVR和预处理VMD方法在回归和时间序列预测的几个领域都取得了成功[33,34,35,36];
此外,本文还对人工智能模型进行了多日前预测策略和气候外源输入的评估。预测时间范围使我们能够验证预测模型在不同情景下的有效性,并结合以往COVID-19累积病例、温度和降水等输入,使模型能够实现较高的预测精度。最后,他们的结果可以帮助规划行动,以改善卫生系统,遏制COVID-19死亡。

图2:建议的预测框架

图3:巴西各州COVID-19病例预测与观察结果






关注人工智能学术前沿 回复 :ts19

5秒免费获取论文pdf文档,及项目源码

扫码关注我们

微信号 : AI_Frontiers

qq群:966308496

今日头条:人工智能学术前沿

知乎:人工智能学术前沿

米斯云

访客