传统与混合时间序列模型在 COVID-19 病例预测中的比较
社会与信息网络
2022-05-27 v2 机器学习
摘要
时间序列预测方法在估计传染病蔓延中起着关键作用。2019年12月的冠状病毒暴发已感染全球数百万人并持续扩散。正当疫情曲线开始趋平之际，许多国家再次出现病例上升，现被称为大流行的第二波。因此需要对时间序列预测模型进行透彻分析，以使国家当局与卫生官员具备面向未来的即时策略。本研究的目标有三：（a）对蔓延的总体趋势建模；（b）对确诊数最高的国家（美国、印度与巴西）生成10天短期预测；（c）定量确定最适于精确建模时间序列线性与非线性特征的算法。各国累计总病例的预测模型比较通过对比报告数据与预测值进行，并依据 RMSE、MAE 与 MAPE 值对算法（Prophet、Holt-Winters、LSTM、ARIMA 及 ARIMA-NARNN）排序。ARIMA 与 NARNN（非线性自回归神经网络）的混合组合在所选模型中结果最佳，RMSE 降低，证明比最盛行的时序预测方法之一（ARIMA）优约 35.3%。结果表明，ARIMA-NARNN 模型的混合实现在封装疫情数据集的线性与非线性模式上，优于 Prophet、Holt Winters、LSTM 与 ARIMA 等其他预测方法。
引用
@article{arxiv.2105.03266,
title = {Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases},
author = {Samyak Prajapati and Aman Swaraj and Ronak Lalwani and Akhil Narwal and Karan Verma},
journal= {arXiv preprint arXiv:2105.03266},
year = {2022}
}