多尺度流感预测
应用统计
2019-10-01 v1
摘要
美国（US）的流感预测复杂且具有挑战性，原因包括显著的空间和时间变异性、预测关注地理尺度的嵌套性，以及监测参与的不均衡性。在此我们提出一种灵活的流感预测模型Dante，一种多尺度流感预测模型，它学习而非规定空间、时间和监测数据结构。卫生与公众服务部（HHS）区域和国家尺度的预测由州预测的线性组合生成，权重正比于美国人口普查人口估计，从而在嵌套地理尺度上产生一致的预测。我们回顾性地将Dante在2012至2017年流感季美国各州、区域和国家尺度的短期与季节性预测与领先流感预测模型动态贝叶斯模型（DBM）进行比较。Dante在几乎所有空间单元、流感季、地理尺度和预测目标上均优于DBM。性能提升源于Dante比DBM更有信心且更准确地进行预测（尤其是短期预测），表明Dante改进的预测分数也将转化为对公共卫生部门更有用的预测。Dante参与了疾病控制与预防中心主办的前瞻性2018/19 FluSight挑战赛，并在国家与区域竞赛以及州竞赛中均获第1名。支撑Dante的方法论可用于存在嵌套地理尺度的其他疾病预防预测场景。
引用
@article{arxiv.1909.13766,
title = {Multiscale Influenza Forecasting},
author = {Dave Osthus and Kelly R Moran},
journal= {arXiv preprint arXiv:1909.13766},
year = {2019}
}