基于经典与机器学习模型集成的新冠肺炎传播预测：西班牙案例研究
机器学习
2023-04-25 v2 人工智能
摘要
在这项工作中，我们评估了人口模型与机器学习模型集成在预测 COVID-19 大流行近期演变方面的适用性，并以西班牙为具体用例。我们仅依赖开放公开数据集，融合发病率、疫苗接种、人类流动与天气数据来馈入我们的机器学习模型（随机森林、梯度提升、k-近邻与核岭回归）。我们利用发病率数据来调整经典人口模型（Gompertz、Logistic、Richards、Bertalanffy），以便更好地捕捉数据趋势。随后我们将这两类模型集成，以获得更稳健且准确的预测。此外，我们观察到随着加入新特征（疫苗、流动性、气候条件），机器学习模型所得预测有所改善，并使用 Shapley Additive Explanation 值分析了各特征的重要性。如同任何其他建模工作，数据与预测质量存在若干局限，因此必须从批判视角看待，正如我们在文中讨论的。我们的工作得出结论：这些模型的集成使用改善了单独预测（仅用机器学习模型或仅用人口模型），并可在缺乏相关数据而无法使用 compartmental 模型时谨慎应用。
引用
@article{arxiv.2207.05753,
title = {Forecasting COVID-19 spreading trough an ensemble of classical and machine learning models: Spain's case study},
author = {Ignacio Heredia Cacha and Judith Sainz-Pardo Díaz and María Castrillo Melguizo and Álvaro López García},
journal= {arXiv preprint arXiv:2207.05753},
year = {2023}
}