检验多数据源深度学习模型用于COVID-19预测
机器学习
2020-11-25 v2 应用统计
摘要
COVID-19 大流行是自 1918 年流感大流行以来最严重的公共卫生灾难。在诸如 COVID-19 此类大流行期间，及时可靠的疫情动态时空预测至关重要。基于深度学习的时间序列预测模型近来受到关注，并已成功用于疫情预测。此处我们聚焦于用于 COVID-19 预测的基于深度学习的模型的设计与分析。我们实现了多种基于循环神经网络的深度学习模型，并使用堆叠集成技术将其结合。为纳入 COVID-19 传播中多种因素的影响，我们考虑了包括 COVID-19 确诊与死亡病例计数数据以及检测数据在内的多源数据以获得更好预测。为克服训练数据的稀疏性并应对疾病的动态相关性，我们提出基于聚类的训练以实现高分辨率预测。这些方法帮助我们识别由于各种时空效应导致的某些区域组的相似趋势。我们检验了所提方法用于县、州和国家层面每周 COVID-19 新确诊病例的预测。在 COVID-19 背景下对不同时间序列模型进行了全面比较与分析。结果表明，简单的深度学习模型可取得与更复杂模型相当或更好的性能。我们目前正将我们的方法整合为我们提供给州与联邦当局的每周预测的一部分。
引用
@article{arxiv.2010.14491,
title = {Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting},
author = {Lijing Wang and Aniruddha Adiga and Srinivasan Venkatramanan and Jiangzhuo Chen and Bryan Lewis and Madhav Marathe},
journal= {arXiv preprint arXiv:2010.14491},
year = {2020}
}