基于自回归模型与 LSTM 的 COVID-19 病例可解释混合预测模型
机器学习
2023-05-02 v3 计算机与社会
应用统计
摘要
2019 冠状病毒病(COVID-19)对全球健康与经济产生深远影响,构建准确且可解释的 COVID-19 病例数据驱动预测模型以改进政策制定至关重要。疫情极大规模与内在变化的传播特征给有效的 COVID-19 病例预测带来巨大挑战。为应对该挑战,我们提出一种新颖的混合模型,其中自回归模型(AR)的可解释性与长短期记忆神经网络(LSTM)的预测能力协同发力。所提混合模型被形式化为一个神经网络,其架构连接两个组成模型块,二者相对贡献在训练过程中由数据自适应决定。我们通过基于多评价指标、在两个数据源上的综合数值实验,展示了该混合模型优于其两个分量模型及其他流行预测模型的表现。具体而言,在 8 个加州县的县级数据中,我们的混合模型平均达到 4.173% 的 MAPE,优于组成的 AR(5.629%)与 LSTM(4.934%)。在国家级数据集中,我们的混合模型在预测全球 8 个国家的 COVID-19 病例上优于广泛使用的预测模型——AR、LSTM、SVM、Gradient Boosting 与 Random Forest。此外,我们阐释了所提混合模型的可解释性,这是大多数 COVID-19 病例黑盒预测模型不具备的关键特征。我们的研究为构建有效且可解释的数据驱动模型提供了崭新且有前景的方向,对公共卫生政策制定及当前与潜在未来大流行的防控具有重要意义。
引用
@article{arxiv.2211.17014,
title = {An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM},
author = {Yangyi Zhang and Sui Tang and Guo Yu},
journal= {arXiv preprint arXiv:2211.17014},
year = {2023}
}