SIMLR：将机器学习嵌入 SIR 模型用于 COVID-19 预测
机器学习
2021-06-04 v1 应用统计
摘要
在疫情期间，准确预测新增感染人数对于及时做出有效决策至关重要。本文利用 SIMLR 模型应对这一挑战，该模型将机器学习（ML）引入流行病学 SIR 模型。对于每个地区，SIMLR 跟踪政府层面实施政策的变化，并借此估计 SIR 模型的时间变化参数，以提前 1 至 4 周预测新增感染人数。它还能预测在这些未来时间点政府政策发生变化的概率，这对于更长期的预测至关重要。我们将 SIMLR 应用于加拿大和美国各地区的数据，结果表明其 MAPE（平均百分比误差）表现与 SOTA 预测模型相当，且具备可解释模型的额外优势。我们期望该方法不仅有助于预测 COVID-19 感染，也能用于预测其他传染病的演变。
引用
@article{arxiv.2106.01590,
title = {SIMLR: Machine Learning inside the SIR model for COVID-19 Forecasting},
author = {Roberto Vega and Leonardo Flores and Russell Greiner},
journal= {arXiv preprint arXiv:2106.01590},
year = {2021}
}