COVID-19 期间局部封城的机器学习方法：案例研究分析
机器学习
2022-01-04 v1 计算机与社会
摘要
2019 年底，最新新型冠状病毒 Sars-CoV-2 作为一种重大急性呼吸道疾病出现，已演变为全球大流行。诸如巴西等国由于各州与市镇间的高社会经济差异，难以应对该病毒。因此，本研究提出一种新方法，将不同机器学习与深度学习算法应用于巴西 COVID-19 数据。首先，使用聚类算法识别具有相似社会人口行为的县，同时用本福特定律检验数据操纵。基于这些结果，我们能够根据聚类正确建立 SARIMA 模型以预测每日新增病例。无监督机器学习技术优化了 SARIMA 模型参数界定过程。该框架亦可用于在所谓第二波期间提出封控情景。我们使用了巴西人口最多州圣保罗州的 645 个县。但此方法可推广至其他州或国家。本文展示了机器学习、深度学习、数据挖掘与统计的不同技术如何协同作用，在处理大流行数据时产生重要结果。尽管这些发现不能单独用于评估和影响政策决策，它们仍为已采用的有效措施不力提供了替代方案。
引用
@article{arxiv.2201.00715,
title = {Machine learning approaches for localized lockdown during COVID-19: a case study analysis},
author = {Sara Malvar and Julio Romano Meneghini},
journal= {arXiv preprint arXiv:2201.00715},
year = {2022}
}
备注
The code is available at https://github.com/smalvar/COVID-clustering