基于循环神经网络的迁移-递归-集成学习用于印度多日COVID-19预测
机器学习
2023-04-27 v2 计算机与社会
摘要
当前 COVID-19 大流行给印度卫生基础设施带来巨大挑战。随着第二波疫情中越来越多人感染，医院不堪重负，物资和氧气耗尽。在此情形下，提前预测 COVID-19 病例数或有助于更好地利用有限资源和物资。本文研究提前多日预测新增 COVID-19 病例、新增死亡和总活跃病例数。所提方法以门控循环单元网络作为主要预测模型。我们通过构建四个模型开展研究，这些模型分别在美国、巴西、西班牙和孟加拉国四个国家的数据上预训练，并在印度数据上微调或重训练。由于所选四国经历了不同类型的感染曲线，预训练为模型提供了迁移学习，使其兼顾多样情形。随后四个模型各自通过递归学习方法对印度测试数据给出多日提前预测。最终预测由不同模型组合预测的集成给出。该方法中西班牙和巴西两国组合在所有组合中以及与其他传统回归模型相比均取得最佳性能。
引用
@article{arxiv.2108.09131,
title = {Transfer-Recursive-Ensemble Learning for Multi-Day COVID-19 Prediction in India using Recurrent Neural Networks},
author = {Debasrita Chakraborty and Debayan Goswami and Susmita Ghosh and Ashish Ghosh and Jonathan H. Chan},
journal= {arXiv preprint arXiv:2108.09131},
year = {2023}
}
备注
8 pages, 7 figures