用于分析与预测 COVID-19 暴发的机器学习方法比较分析
机器学习
2021-02-12 v1 人工智能
机器学习
摘要
背景。预测即将到来的大流行时间可通过公共卫生宣传和提高医生警觉等预防步骤减轻疾病影响。随着 COVID-19 累计发病率持续快速上升，研究界正使用包括各类机器学习（ML）模型在内的统计与暴发预测模型来追踪和预测流行趋势，并制定适当策略以遏制和管理其传播。方法。本文对支持向量机、随机森林、K 近邻与人工神经网络等多种 ML 方法在流行病学领域预测 COVID-19 暴发进行比较分析。我们首先应用自回归分布滞后（ARDL）方法识别并建模时间序列 COVID-19 数据集的短期与长期关系。即，我们确定响应变量与其相应解释性时间序列变量作为自变量之间的滞后。随后，由 ARDL 选定的回归模型中使用这些关于滞后的显著变量来预测和预报流行趋势。结果。采用均方根误差（RMSE）、平均绝对误差（MAE）与平均绝对百分比误差（MAPE）等统计度量评估模型精度。确诊、治愈与死亡病例最佳选定模型的 MAPE 值分别为 0.407、0.094 与 0.124，属高度准确预测。此外，我们计算了每日死亡、治愈与确诊患者未来十五天预报，各层面病例随时间波动。结果还揭示了 ML 算法在支持短期政策演进决策制定方面的优势。
引用
@article{arxiv.2102.05960,
title = {Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak},
author = {Muhammad Naeem and Jian Yu and Muhammad Aamir and Sajjad Ahmad Khan and Olayinka Adeleye and Zardad Khan},
journal= {arXiv preprint arXiv:2102.05960},
year = {2021}
}
备注
22 pages, 10 figures