利用外生变量改进COVID-19预测
机器学习
2021-07-23 v1 统计方法学
摘要
本文中，我们通过考虑美国国家级与州级数据来研究疫情发展。我们提出并比较了多种结合辅助变量的时间序列预测技术。一类方法基于时空图神经网络，利用混合深度学习架构与人员流动数据预测疫情走势；该图中节点表示州级COVID-19死亡数，边表示人员流动趋势，时间边对应跨时间的节点属性。第二类方法基于一种用于美国COVID-19死亡率预测的统计技术，其使用SARIMA模型与外生变量(eXogenous variables)。我们在美国州级与国家级COVID-19数据上评估了这些技术，并指出SARIMA与MCP模型借助外生变量生成的预测值能够丰富底层模型，以分别捕捉国家级与州级数据的复杂性。我们展示了在COVID-19数据集上预测准确率的显著提升：相较于GCN-LSTM模型，国家级数据最大提升64.58%、平均提升59.18%，州级数据最大提升58.79%、平均提升52.40%。此外，我们提出的模型较一项并行研究(AUG-NN)平均准确率提升27.35%。
引用
@article{arxiv.2107.10397,
title = {Improving COVID-19 Forecasting using eXogenous Variables},
author = {Mohammadhossein Toutiaee and Xiaochuan Li and Yogesh Chaudhari and Shophine Sivaraja and Aishwarya Venkataraj and Indrajeet Javeri and Yuan Ke and Ismailcem Arpinar and Nicole Lazar and John Miller},
journal= {arXiv preprint arXiv:2107.10397},
year = {2021}
}