美国 COVID-19 时间动态的矢量量化与划分
应用统计
2020-08-04 v1 定量方法
统计方法学
摘要
病原体在人群中的统计动态取决于一系列因素：人口密度、社交疏离的有效性与投入、公共政策举措与非药物干预（NPIs）仅是影响各州随时间病例数的一些因素示例。本文概述了对美国 COVID-19 病例的时间序列矢量量化与划分分析，使用 soft-DTW（动态时间规整）k-means 聚类与基于 k-shape 的聚类算法来识别随时间病例数内部一致的簇。对随时间变化的特征类型的识别可引出时间序列集合内模式的识别。这反过来有助于辨别一个地区传染动态的未来走向，并通过计算簇重心识别最可能的簇级轨迹，为公共卫生决策提供信息。
引用
@article{arxiv.2008.00559,
title = {Vector quantisation and partitioning of COVID-19 temporal dynamics in the United States},
author = {Chris von Csefalvay},
journal= {arXiv preprint arXiv:2008.00559},
year = {2020}
}
备注
13 pages, 5 figures