一种用于实现亚国家级分辨率下 COVID-19 未来洞察的广义预测方案
应用统计
2021-08-24 v1 人工智能
信号处理
摘要
COVID-19 持续对公共卫生造成显著影响。为最小化该影响，政策制定者采取 containment 措施；然而，当因错误的威胁评估而导致措施与实际威胁不成比例时，会引发不良的长期社会经济并发症。此外，宏观或国家级决策未能考量小区域的局部敏感性。因此，亟需提供通过时间上刻画 COVID-19 行为、并借助准确预测实现的逐区域威胁评估。本研究提出一种预测方案，用于在足以局部实施 containment 措施的小区域内预测 COVID-19 每日新增病例，其针对文献中存在的三个主要缺陷：较小区域中因检测模式不一致所致现有数据不可靠、预测模型在先前未见区域预测病例方面弱部署性，以及 COVID-19 流行曲线(epi-curves)数据不平衡所引起的模型训练偏差。因而，本研究的贡献有三方面：一种基于该区域流行病学动力学优化平滑较不确定流行曲线的平滑技术；一种基于长短期记忆(Long-Short-Term-Memory, LSTM)的预测模型，利用精选区域数据训练以构建具代表性且多样的、最大化缺历史数据区域部署性的训练集；以及训练时缓解流行曲线数据不平衡的自适应损失函数。所提平滑技术、广义训练策略与自适应损失函数大幅提升了预测整体精度，从而支持更局部微观层面上的高效 containment 措施。
引用
@article{arxiv.2108.09556,
title = {A generalized forecasting solution to enable future insights of COVID-19 at sub-national level resolutions},
author = {Umar Marikkar and Harshana Weligampola and Rumali Perera and Jameel Hassan and Suren Sritharan and Gihan Jayatilaka and Roshan Godaliyadda and Vijitha Herath and Parakrama Ekanayake and Janaka Ekanayake and Anuruddhika Rathnayake and Samath Dharmaratne},
journal= {arXiv preprint arXiv:2108.09556},
year = {2021}
}