基于 LSTM 模型的印度 COVID-19 感染预测深度学习研究
机器学习
2022-04-06 v2 人工智能
应用统计
机器学习
摘要
COVID-19 大流行持续对卫生和医疗基础设施、经济和农业产生重大影响。由于感染传播的复杂性，著名的计算机和数学模型一直不可靠。此外，数据收集和报告缺乏使得建模尝试困难且不可靠。因此，我们需要利用可靠的数据源和创新预测模型重新审视局势。诸如循环神经网络之类的深度学习模型非常适合于对时空序列建模。在本文中，我们应用诸如长短期记忆（LSTM）、双向 LSTM 和编码器-解码器 LSTM 模型等循环神经网络进行多步（短期）COVID-19 感染预测。我们选取了有 COVID-19 热点的印度各邦，捕捉了第一波（2020 年）和第二波（2021 年）感染，并提供了提前两个月的预测。我们的模型预测 2021 年 10 月和 11 月出现另一波感染的可能性较低；然而，鉴于病毒新变体的出现，当局需要保持警惕。预测的准确性促使该方法应用于其他国家和地区。尽管如此，由于数据的可靠性以及难以捕捉人口密度、物流和文化与生活方式等社会因素，建模中的挑战仍然存在。
引用
@article{arxiv.2101.11881,
title = {Deep learning via LSTM models for COVID-19 infection forecasting in India},
author = {Rohitash Chandra and Ayush Jain and Divyanshu Singh Chauhan},
journal= {arXiv preprint arXiv:2101.11881},
year = {2022}
}
备注
PLOS One, 2022