基于2020年安大略数据的COVID-19病例数预测

目的：开发机器学习模型，在给定过去14天环境与移动数据的情况下预测每日COVID-19病例数。方法：使用了加拿大安大略省多伦多周边四个县的COVID-19数据。数据被整理为包含新增COVID病例数、患者人口统计数据、室外天气变量、室内环境因素以及基于手机移动性与公共卫生限制的人类活动的每日记录。对该数据进行分析以确定最重要的变量及其交互作用。使用CNN和LSTM深度神经网络方法开发预测模型。采用5折时序交叉验证方法，利用2020年3月1日至10月14日的数据建立预测模型，并在2020年10月15日至12月24日的数据上进行测试。结果：最佳的LSTM模型利用独立测试数据以90.7%的准确率预测次日每日COVID病例数，以98.1%的准确率预测7天滚动平均COVID病例数。预测未来7天每日COVID病例数的最佳模型在所有天数上达到79.4%的准确率。预测7天滚动平均病例数的模型在同一测试集上的平均准确率为83.6%。结论：我们的发现指出了室内湿度对于诸如COVID-19这类病毒传播的重要性。在一年中最冷的时期，当人们在室内或车辆中停留更久时，建筑物内空气质量下降，最显著的是室内相对湿度水平。中等至较高的室内温度 coupled with 低IRH（低于20%）创造了病毒传播更可能发生的条件，因为感染者口腔喷出的水蒸气由于蒸发可更长时间悬浮于空气中，且干燥的皮肤状况（尤其在接收者的气道中）促进了传播。