COVID-19预测模型的实证定量分析
机器学习
2021-10-04 v1 机器学习
摘要
自2020年初以来，COVID-19一直是国际关注的突发公共卫生事件。可靠的预测对于减轻该疾病的影响至关重要。迄今为止，已提出大量不同的预测模型，主要包括统计模型、 compartmental模型（区室模型）和深度学习模型。然而，由于不同区域（如经济与政府政策）的各种不确定因素，似乎没有一种预测模型在所有情景中都是最优的。在本文中，我们对美国不同区域在确认病例和死亡人数上、具有不同预测期限的COVID-19预测进行定量分析，并通过不同评价指标评估以下三个维度对预测性能（改进与变异）的相对影响：模型选择、超参数调优，以及训练所需时间序列的长度。我们发现，若某一维度带来较高的性能增益，若未被良好调优，其也可能引发更严重的性能惩罚。此外，模型选择是决定预测性能的主导因素。它在不同区域的所有预测任务中均导致了最大的性能改进与最大的性能变异。尽管从业者在实践中可能进行更复杂的时序分析，但若其对模型选择等关键决策有充分洞察，应能获得合理结果。
引用
@article{arxiv.2110.00174,
title = {Empirical Quantitative Analysis of COVID-19 Forecasting Models},
author = {Yun Zhao and Yuqing Wang and Junfeng Liu and Haotian Xia and Zhenni Xu and Qinghang Hong and Zhiyang Zhou and Linda Petzold},
journal= {arXiv preprint arXiv:2110.00174},
year = {2021}
}
备注
ICDM workshop 2021