COVID-19累计确诊人数的短期预测：以巴西为视角
种群与进化
2020-07-27 v1 机器学习
摘要
新型冠状病毒（COVID-19）是一种新发疾病，自首次通报至今已感染数百万人。开发高效的短期预测模型可以了解未来病例数。在此背景下，有可能在公共卫生系统中制定战略规划以避免死亡。本文评估了自回归积分滑动平均（ARIMA）、cubist（CUBIST）、随机森林（RF）、岭回归（RIDGE）、支持向量回归（SVR）和stacking集成学习在巴西十个高日发病率州对COVID-19累计确诊人数进行提前一天、三天和六天的时间序列预测任务中的表现。在stacking学习方法中，采用cubist、RF、RIDGE和SVR模型作为基学习器，高斯过程（GP）作为元学习器。基于改进指数、平均绝对误差和对称平均绝对百分比误差准则评估模型有效性。在大多数情况下，就所采用的准则而言，SVR和stacking集成学习比对比模型表现更好。总体而言，所开发的模型能够生成准确预测，在提前一天、三天和六天时误差分别达到0.87%–3.51%、1.02%–5.63%和0.95%–6.90%的范围。所有情景下的模型排名为SVR、stacking集成学习、ARIMA、CUBIST、RIDGE和RF模型。一旦这些模型能够辅助管理者决策支持系统，建议使用所评估的模型来预测和监测COVID-19病例的持续增长。
引用
@article{arxiv.2007.12261,
title = {Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil},
author = {Matheus Henrique Dal Molin Ribeiro and Ramon Gomes da Silva and Viviana Cocco Mariani and Leandro dos Santos Coelho},
journal= {arXiv preprint arXiv:2007.12261},
year = {2020}
}
备注
17 pages, 5 figures. Published paper. arXiv admin note: substantial text overlap with arXiv:2007.10981