基于多元长短期记忆的COVID-19增长预测
机器学习
2020-11-25 v2 机器学习
摘要
冠状病毒病(COVID-19)传播预测是追踪疫情增长的重要任务。现有预测仅基于定性分析与数学建模。尽管数据丰富，利用大数据与机器学习进行COVID-19增长预测仍十分有限。为在深度学习预测中利用大数据，我们采用长短期记忆(LSTM)方法学习COVID-19增长随时间的相关性。LSTM层的结构经启发式搜索直至获得最佳验证分数。首先，我们训练了包含全球确诊数据的训练集，相较循环神经网络(RNN)方法取得了更优性能与可比较的低验证误差。评估基于图形可视化与均方根误差(RMSE)进行。我们发现随时间达到相同确诊数量并非易事，但LSTM在实际病例与预测间提供了相似模式。未来，我们提出的预测可用于防范后续大流行。代码见：https://github.com/cbasemaster/lstmcorona
引用
@article{arxiv.2005.04809,
title = {COVID-19 growth prediction using multivariate long short term memory},
author = {Novanto Yudistira},
journal= {arXiv preprint arXiv:2005.04809},
year = {2020}
}