面向 COVID-19 病例自适应预测的数据驱动方法研究
机器学习
2023-09-19 v1 物理与社会
种群与进化
摘要
严重急性呼吸道综合征病毒 SARS-CoV-2 对公共卫生系统和医疗应急响应产生了深远影响，尤其是在就任何给定时间应采取的最有效措施做出决策方面。正如过去三年中 COVID-19 所表明的那样，对阳性病例数量的预测可以成为促进决策的有效手段。然而，数据的有限可用性以及病毒传播性高度动态和不确定性的本质使得该任务极具挑战性。为研究这些挑战并解决此问题，本工作研究了数据驱动（学习、统计）方法，用于增量训练模型以适应这些非平稳条件。我们开展了一项广泛的实证研究，考察各种特征，例如基于每次病毒波次的性能分析、特征提取、“回看”窗口大小、记忆大小，所有这些都针对次日、7 天和 14 天预测任务。我们证明了增量学习框架能够成功应对上述挑战，并在暴发期间表现良好，提供准确的预测。
引用
@article{arxiv.2309.09698,
title = {A Study of Data-driven Methods for Adaptive Forecasting of COVID-19 Cases},
author = {Charithea Stylianides and Kleanthis Malialis and Panayiotis Kolios},
journal= {arXiv preprint arXiv:2309.09698},
year = {2023}
}
备注
Keywords: incremental learning, data streams, neural networks, time-series forecasting