基于LSTM与ARIMA模型的COVID-19病例时间序列分析与预测
机器学习
2020-06-25 v1 应用统计
摘要
2019冠状病毒病（COVID-19）是一场已被世界卫生组织宣布为大流行的全球公共卫生危机。对各国的COVID-19病例进行预测，有助于决策者和医疗提供者做好未来准备。本研究探讨了若干长短期记忆（LSTM）模型与自回归积分滑动平均（ARIMA）模型在预测COVID-19确诊例数方面的表现。使用每日累计COVID-19病例的时间序列，借助若干LSTM模型和ARIMA生成1天、3天和5天预测。为评估模型在多日时间序列值预测中的表现，提出了两种新颖的k周期性能指标——k日平均绝对百分比误差（kMAPE）和k日中位数对称准确度（kMdSA）。LSTM模型使用kMAPE和kMdSA的预测误差均低至0.05%，而ARIMA分别为0.07%和0.06%。LSTM模型在预测中略有低估，而ARIMA略有高估。LSTM模型在COVID-19病例预测中的表现与ARIMA相当。虽然ARIMA需要更长的序列，LSTM在序列长度小至3时仍能表现良好，但LSTM需要大量训练样本。此外，所提出的k周期性能指标可能有助于时间序列模型多周期预测的性能评估。基于所提出的k周期性能指标，LSTM和ARIMA均有益于COVID-19的时间序列分析与预测。
引用
@article{arxiv.2006.13852,
title = {Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models},
author = {Arko Barman},
journal= {arXiv preprint arXiv:2006.13852},
year = {2020}
}