基于联合字典学习与在线 NMF 的 COVID-19 时间序列预测
机器学习
2020-04-21 v1 最优化与控制
机器学习
摘要
预测 COVID-19 的扩散与遏制是当前广大科学界面临的最为重要的挑战之一。主要困难来源之一是可用的每日 COVID-19 病例数据非常有限，且除少数例外，大多数国家目前处于“指数扩散阶段”，因此可用于预测扩散与遏制之间相变的信息极为匮乏。本文提出一种基于字典学习与在线非负矩阵分解（online NMF）的 COVID-19 扩散预测新方法。其核心思想是同时学习多国新增每日病例的短期演化实例的字典模式，从而在其字典模式中捕获潜在的关联结构。我们首先通过小批量学习从整个时间序列中学习此类模式，随后通过在线 NMF 将其进一步适配到时间序列。当我们逐步将学习到的字典模式适配并改进至较新观测时，也利用它们通过局部拟合进行单步预测。最后，通过递归应用单步预测，可将预测外推至近期未来。由于所学字典模式具有可解释性，我们的预测结果可直接归因于这些模式。
引用
@article{arxiv.2004.09112,
title = {COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF},
author = {Hanbaek Lyu and Christopher Strohmeier and Georg Menz and Deanna Needell},
journal= {arXiv preprint arXiv:2004.09112},
year = {2020}
}
备注
8 pages, 4 figures