高斯过程即时预报:在 COVID-19 死亡报告中的应用
应用统计
2021-06-11 v2 机器学习
摘要
由于测量过程中的延迟而对信号观测进行更新是信号处理中的一个常见问题,在广泛领域中均有显著例子。该问题的一个重要例子是 COVID-19 死亡的即时预报:给定每日死亡报告数的数据流,我们能否校正报告延迟以描绘出带有不确定性的准确现状?若无此校正,原始数据常会通过暗示形势好转而产生误导。我们提出一种使用潜高斯过程的灵活方法,能够描述报告时间延迟曲面中存在的时变自相关结构。该方法还对估计的即时预报死亡数给出了稳健的不确定性估计。我们检验了模型设定中的假设,如核或超先验的选择,并在来自巴西的具挑战性真实数据集上评估了模型表现。我们的实验表明,高斯过程即时预报相对于可比方法及一小批专家人工预测均表现更优。我们的方法在疾病建模中具有实质实用价值——通过将我们的方法应用于报告延迟很大的巴西 COVID-19 死亡数据,我们能够对当前有效再生数等重要流行病学量做出信息丰富的预测。
引用
@article{arxiv.2102.11249,
title = {Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting},
author = {Iwona Hawryluk and Henrique Hoeltgebaum and Swapnil Mishra and Xenia Miscouridou and Ricardo P Schnekenberg and Charles Whittaker and Michaela Vollmer and Seth Flaxman and Samir Bhatt and Thomas A Mellan},
journal= {arXiv preprint arXiv:2102.11249},
year = {2021}
}
备注
26 pages, 31 figures