COVID-19 可预测性的回溯检验
物理与社会
2020-07-23 v1 机器学习
种群与进化
摘要
COVID-19 大流行的出现在全球许多国家引发了前所未有的变化，给卫生部门带来了沉重负担，影响了宏观经济状况，并改变了人群中的社会交往。作为回应，学术界提出了多种预测模型、方法和算法，以最佳地预测 COVID-19 的不同指标，例如确诊感染病例数。然而，研究人员几乎或完全没有关于该大流行的历史信息来为其预测方法提供依据。我们的工作研究了大流行不同阶段的模型预测性能，以更好地理解其根本不确定性以及数据可用性对此类预测的影响。我们使用 2020 年 1 月 22 日至 2020 年 6 月 22 日期间来自 253 个地区的历史 COVID-19 感染数据，通过滚动窗口回溯检验框架，预测未来 7 天和 28 天的累计感染病例数。我们实现了三个简单模型来跟踪这 6 个月期间的均方对数误差：一个始终预测累计确诊病例最后已知值的基线模型、一个幂增长模型以及一个称为 SEIRD 的流行病学模型。预测误差在大流行早期阶段显著更高，这是由有限数据导致的。在大流行过程中，误差缓慢但稳定地回归。一个国家在任何时间点显示的确诊病例越多，对未来确诊病例预测的误差就越小。我们强调拥有一个严格的回溯检验框架的重要性，以便在疫情爆发期间任何时间点准确评估此类模型的预测能力，这反过来可用于为这些预测分配适当水平的确定性并促进更好的规划。
引用
@article{arxiv.2007.11411,
title = {Backtesting the predictability of COVID-19},
author = {Dmitry Gordeev and Philipp Singer and Marios Michailidis and Mathias Müller and SriSatish Ambati},
journal= {arXiv preprint arXiv:2007.11411},
year = {2020}
}