基于深度学习方法的新冠肺炎新病例与新死亡率时间序列预测
机器学习
2021-12-28 v3 计算机视觉与模式识别
摘要
2019 年 12 月确诊首例 2019 冠状病毒病（COVID-19）。其已在全球蔓延，导致持续大流行，给多国带来限制与代价。预测此期间的新病例数与死亡数，可作为预测未来所需代价与设施的有用一步。本研究旨在预测未来 100 天内提前 1、3 和 7 天的新病例与死亡率。预测每 n 天（而非仅每天）的动机在于探究降低计算成本的可能性，同时仍取得合理性能。此类情形可能出现在时间序列的实时预测中。采用自 WHO 网站的数据检验了六种不同深度学习方法。三种方法为 LSTM、卷积 LSTM 与 GRU。随后考虑各方法的双向扩展，以预测澳大利亚与伊朗的新病例率与新死亡率。本研究的创新之处在于对上述三种深度学习方法及其双向扩展在 COVID-19 新病例与新死亡率时间序列上预测的全面评估。据我们所知，这是首次将 Bi-GRU 与 Bi-Conv-LSTM 模型用于 COVID-19 新病例与死亡时间序列的预测。方法评估以图表与 Friedman 统计检验形式给出。结果显示双向模型误差低于其他模型。给出若干误差评估指标以比较所有模型，并最终确定双向方法的优越性。本研究对从事抗疫及制定长期规划的机构或有助益。
引用
@article{arxiv.2104.15007,
title = {Time series forecasting of new cases and new deaths rate for COVID-19 using deep learning methods},
author = {Nooshin Ayoobi and Danial Sharifrazi and Roohallah Alizadehsani and Afshin Shoeibi and Juan M. Gorriz and Hossein Moosaei and Abbas Khosravi and Saeid Nahavandi and Abdoulmohammad Gholamzadeh Chofreh and Feybi Ariani Goni and Jiri Jaromir Klemes and Amir Mosavi},
journal= {arXiv preprint arXiv:2104.15007},
year = {2021}
}