COVID-19 确诊病例的现在casting：基础、趋势与挑战
种群与进化
2020-10-13 v1 应用统计
摘要
2019 冠状病毒病（COVID-19）已成为影响全球 200 多个国家和地区的国际关注的突发公共卫生事件。截至 2020 年 9 月 30 日，它已造成大流行暴发，全球确诊病例超过 3300 万，报告死亡超过 100 万。此前若干统计、机器学习和混合模型试图对深受影响国家的 COVID-19 确诊病例进行预测。由于时间序列数据中的极端不确定性和非平稳性，COVID-19 确诊病例的预测已成为一项非常具有挑战性的工作。对于单变量时间序列预测，文献中有各种统计和机器学习模型可用。但是，流行病预测的记录并不可靠。其失败由于数据输入不足、建模假设缺陷、估计高度敏感、未纳入流行病学特征、关于可用干预措施效果的过去证据不足、缺乏透明度、误差、缺乏确定性以及关键学科专业知识的缺乏而变得更加突出。本章着重评估可为各国预测每日 COVID-19 病例的不同短期预测模型。以预测准确性的实证研究形式，本章提供证据表明，不存在可准确预测大流行数据的通用方法。尽管如此，预测者的预测对于医疗资源的有效分配是有用的，并将作为政府决策者的早期预警系统。
引用
@article{arxiv.2010.05079,
title = {Nowcasting of COVID-19 confirmed cases: Foundations, trends, and challenges},
author = {Tanujit Chakraborty and Indrajit Ghosh and Tirna Mahajan and Tejasvi Arora},
journal= {arXiv preprint arXiv:2010.05079},
year = {2020}
}