Covid-19 预测的严格基线及针对美国与俄罗斯的机器学习视角
机器学习
2022-07-19 v1 人工智能
摘要
当前，Covid-19 的演变使研究者能够收集两年间积累的数据集并将其用于预测分析。这反过来又使得评估更复杂预测模型（包括具有不同预测周期的神经网络）的效能潜力成为可能。本文基于两个国家（美国和俄罗斯）的区域数据，呈现了对不同类型 Covid-19 传播动态预测方法的一致比较研究结果。我们使用了知名的统计方法（例如指数平滑）、"明日即今日"方法，以及一组在各地区数据上训练的经典机器学习模型。与此同时，我们考虑了一种基于长短期记忆（LSTM）层的神经网络模型，其训练样本聚合了两国所有区域的数据：美国和俄罗斯。效能评估采用基于 MAPE 指标的交叉验证进行。结果表明，对于以每日确诊数大幅上升为特征的复杂时期，在两国所有区域上训练的 LSTM 模型表现最佳，在 14、28 和 42 天预测周期下，对俄罗斯的平均平均绝对百分比误差（MAPE）分别为 18%、30%、37%，对美国分别为 31%、41%、50%。
引用
@article{arxiv.2207.07689,
title = {Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia},
author = {Alexander G. Sboev and Nikolay A. Kudryshov and Ivan A. Moloshnikov and Saveliy V. Zavertyaev and Aleksandr V. Naumov and Roman B. Rybka},
journal= {arXiv preprint arXiv:2207.07689},
year = {2022}
}