自适应县级 COVID-19 预测模型：分析与改进
机器学习
2020-09-04 v2 机器学习
物理与社会
种群与进化
摘要
准确预测县级 COVID-19 确诊病例对优化医疗资源至关重要。预测新发疫情尤其具有挑战性，因为许多现有预测技术从历史季节性趋势中学习。具有基于 LSTM 单元的循环神经网络（RNNs）因其学习时间动态的能力而成为合理的模型选择。本文中，我们将 Wang 等人 [2020] 提出的州级与县级流感模型 TDEFSI-LONLY 适配到全国与县级 COVID-19 数据。我们表明该模型对当前大流行预测不佳。我们分析 TDEFSI-LONLY 模型结合多种正则化技术的两周前预测能力。TDEFSI-LONLY 模型的有效训练需要数据增强，为克服此挑战我们利用 SEIR 模型并提出该模型的县间混合扩展以模拟充足训练数据。进一步，我们提出一种替代预测模型，即县级流行病学推断循环网络（CLEIR-Net），其在全国确诊病例上训练 LSTM 主干以学习低维时间模式，并利用时间分布稠密层学习各县每日确诊病例变化以进行两周预测。我们展示使用 CLEIR-Net 模型做出的最佳、最差与中位州预测分别为纽约、南卡罗来纳与蒙大拿。
引用
@article{arxiv.2006.12617,
title = {Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement},
author = {Stewart W Doe and Tyler Russell Seekins and David Fitzpatrick and Dawsin Blanchard and Salimeh Yasaei Sekeh},
journal= {arXiv preprint arXiv:2006.12617},
year = {2020}
}
备注
18 pages, 9 Figures, 3 Tables