用于预测印度 COVID-19 病例的时序深度学习架构
定量方法
2021-09-01 v1 机器学习
摘要
为应对近期的新冠肺炎（COVID-19），学者与临床医生正在寻找可预测 COVID-19 暴发动态趋势的新方法，以减缓或阻止大流行。易感-感染-恢复（SIR）及其变体等流行病学模型有助于理解大流行的动态趋势，可用于决策以优化对传染病的可行管控。但这些基于数学假设的流行病学模型可能无法预测真实大流行情况。近来新的机器学习方法正被用于理解 COVID-19 传播的动态趋势。本文中，我们设计了循环与卷积神经网络模型：vanilla LSTM、stacked LSTM、ED-LSTM、Bi-LSTM、CNN 以及混合 CNN+LSTM 模型，以捕捉 COVID-19 暴发的复杂趋势，并对印度及其四个受影响最严重州（马哈拉施特拉邦、喀拉拉邦、卡纳塔克邦和泰米尔纳德邦）未来 7、14、21 天的每日确诊 COVID-19 病例进行预测。在测试数据上计算了均方根误差（RMSE）和平均绝对百分比误差（MAPE）评估指标以展示这些模型的相对性能。结果表明，stacked LSTM 与混合 CNN+LSTM 模型相对于其他模型表现最佳。
引用
@article{arxiv.2108.13823,
title = {Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India},
author = {Hanuman Verma and Saurav Mandal and Akshansh Gupta},
journal= {arXiv preprint arXiv:2108.13823},
year = {2021}
}
备注
13 pages