基于长短期记忆网络对土耳其 COVID-19 病例的短期预测
机器学习
2020-09-17 v2 机器学习
摘要
自2019年12月以来，COVID-19已成为最严重的疾病之一，在全球引发严峻的大流行。本研究旨在评估长短期记忆（LSTM）网络在预测土耳其 COVID-19 总病例数方面的价值。使用2020年3月24日至4月23日共30天的 COVID-19 数据来估计随后15天的情况。LSTM 网络对15天估计的平均绝对误差为 1.691.35%。而对于相同数据，Box-Jenkins 方法的误差为 3.241.56%，Prophet 方法为 6.884.96%，带阻尼趋势的 Holt-Winters 加法方法为 0.470.28%。此外，当将死亡人数数据随总病例数一并输入 LSTM 网络时，平均误差降低至 0.990.51%。因此，与仅使用总病例数作为输入相比，向输入中添加死亡人数数据可得到更低的预测误差。然而，带阻尼趋势的 Holt-Winters 加法方法在预测 COVID-19 总病例数方面优于 LSTM 网络。
引用
@article{arxiv.2009.06343,
title = {Short-Term Forecasting COVID-19 Cases In Turkey Using Long Short-Term Memory Network},
author = {Selahattin Serdar Helli and Çağkan Demirci and Onur Çoban and Andaç Hamamci},
journal= {arXiv preprint arXiv:2009.06343},
year = {2020}
}
备注
4 pages,4 figures