利用潜在子群体对 COVID-19 病例进行建模与预测
机器学习
2023-02-10 v1 人工智能
摘要
经典流行病学模型假设人群是同质的。在已知子群体身份（如年龄组或地理位置）时，已有对异质子群体建模的重要扩展。在此，我们提出两种新方法对随时间感染的 COVID-19 人数进行建模，每种方法均为潜在子群体的线性组合——即我们不知道哪个人属于哪个子群体，且唯一可获得的观测值是所有子群体的聚合值。方法一是一种基于字典的方法，它从大量预定义的子群体模型（每个具有各自的起始时间、形状等）出发，然后确定少量（学习得到的）子群体的（正）权重。方法二是一种 M 个可拟合曲线的混合，其中 M（所用子群体数量）由用户给定。两种方法均兼容任意参数化模型；在此我们展示它们分别与（a）高斯曲线以及（b）SIR 轨迹结合的使用。我们通过实验展示了所提方法的性能，首先在（i）对观测数据建模，然后在（ii）提前 1 至 4 周预测感染人数。在 187 个国家中，我们表明与经典 SIR 模型相比，字典方法具有最低的平均绝对百分比误差以及最低的方差，并且它是一个强基线，优于许多为 COVID-19 预测开发的模型。
引用
@article{arxiv.2302.04829,
title = {Modeling and Forecasting COVID-19 Cases using Latent Subpopulations},
author = {Roberto Vega and Zehra Shah and Pouria Ramazi and Russell Greiner},
journal= {arXiv preprint arXiv:2302.04829},
year = {2023}
}
备注
14 pages, 8 figures, submitted to Frontiers in Big Data