基于近似贝叶斯计算的序贯时间窗学习：在疫情预测中的应用
统计方法学
2022-09-29 v1 最优化与控制
定量方法
摘要
COVID-19 大流行的长期性导致了感染率与死亡率的多次爆发，即所谓的疫情波。这种复杂行为不再可由简单仓室模型处理，而需要更精细的数学技术来分析疫情数据并生成可靠预测。在本工作中，我们提出一种通过分析连续时间窗并分别处理来研究复杂动力系统的框架。我们通过近似贝叶斯计算(ABC)算法为每个时间窗拟合参数，并将一个时间窗所得参数后验分布用作下一时间窗的先验分布。该贝叶斯学习方法在多个国家的 COVID-19 病例数据上进行了检验，结果表明其提升了 ABC 性能并产生了良好的短期预测。
引用
@article{arxiv.2203.10982,
title = {Sequential time-window learning with approximate Bayesian computation: an application to epidemic forecasting},
author = {João Pedro Valeriano and Pedro Henrique Cintra and Gustavo Libotte and Igor Reis and Felipe Fontinele and Renato Silva and Sandra Malta},
journal= {arXiv preprint arXiv:2203.10982},
year = {2022}
}
备注
12 pages, 7 figures; + supplementary material -- 31 pages