面向COVID-19疫情理解的统计分析与区域表征学习
计算机与社会
2020-08-18 v1 物理与社会
摘要
新型冠状病毒（COVID-19）的快速传播已严重影响了全球几乎所有国家。它不仅给医疗提供者带来了巨大负担，还对经济和社会生活造成了严重影响。可靠数据的存在以及深入统计分析的结果，为研究人员和政策制定者提供了宝贵的信息，使其更清晰地理解这场大流行及其增长模式。本文整合并处理了广泛收集的公开数据集，以提供统一的信息源，用于表征各地区与其疫情相关的行为。这些特征被分为不同类别，以基于与之相关的高层概念来考虑其影响。本工作使用多种相关性分析技术来观察特征、特征组与COVID-19发生情况之间的数值与顺序关系。降维技术与投影方法被用于阐明这些代表性特征的个体与群体重要性。本文提出了一种称为 DoubleWindowLSTM-CP 的基于 RNN 的特定推断流程，用于预测性事件建模。它利用序列模式，在使用极少历史数据的同时实现简洁的记录表征。我们的统计分析定量结果表明了反映许多预期集体行为及其相关结果的关键模式。使用 DoubleWindowLSTM-CP 实例的预测建模在定量与定性评估中展现出高效性能，同时减少对广泛且可靠疫情历史信息的需求。
引用
@article{arxiv.2008.07342,
title = {Statistical Analytics and Regional Representation Learning for COVID-19 Pandemic Understanding},
author = {Shayan Fazeli and Babak Moatamed and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:2008.07342},
year = {2020}
}