Bayesian sequential data assimilation for COVID-19 forecasting
我们介绍了一种用于COVID-19预测的贝叶斯序贯数据同化方法。它假设合适的传输，流行病和观察模型是可用的，并事先验证和传输和流行病模型编码成一个动力系统。观测模型依赖于动态系统的状态变量和参数，并被转换为一个似然函数。我们得到的有效人口规模的先验分布，动力系统的初始条件和传染病接触率，并使用马尔可夫链蒙特卡罗抽样进行推断和预测的感兴趣的数量（QoI）在流行病爆发的开始。随着新数据的出现，预测将在流行病记录的滑动窗口内依次更新。在新的预测时间的状态变量的先验分布使用动态系统进行组装，针对先前的预测进行校准。此外，接触率和有效人口规模的变化是通过相应参数的自回归模型自然引入的。我们使用SEIR类型模型和来自几个墨西哥地区的COVID-19数据展示了我们的预测方法的性能。
2021-03-10 q-bio.PE stat.AP
Cluster-weighted modeling of lifetime hierarchical data for profiling COVID-19 heart failure patients
针对COVID-19心力衰竭患者生存时间的异质性，提出一种结合随机效应和局部分布的右删失寿命混合模型，利用共享脆弱项和CEM/SEM算法揭示患者潜在聚类与医院效应，为个性化临床策略提供依据。
2025-07-16 stat.AP
CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19
University of Cambridge（剑桥大学）；University of California, Los Angeles（加州大学洛杉矶分校）
2019冠状病毒病（COVID-19）全球大流行对医疗保健系统造成了巨大的威胁，对重症监护资源的需求前所未有。如果没有全国性的集体努力，依靠数据来预测国家、地区、医院和个人层面的医院需求，就无法有效地管理这些需求。为此，我们开发了COVID-19产能规划和分析系统（CPAS），这是一个基于机器学习的医院资源规划系统，我们已与NHS Digital合作，在英国的个别医院和各个地区成功部署。在本文中，我们讨论了在全国范围内部署基于机器学习的决策支持系统的主要挑战，并解释了CPAS如何通过（1）定义适当的学习问题，（2）结合自底向上和自顶向下的分析方法，（3）使用最先进的机器学习算法，（4）集成异构数据源，以及（5）以交互和透明的界面呈现结果。CPAS是第一批在全国范围内部署在医院以应对COVID-19大流行的基于机器学习的系统之一-我们总结了从这一经验中吸取的教训。
2020-07-27 cs.LG stat.ML
Inter-Series Attention Model for COVID-19 Forecasting
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
自二零二零年初以来，COVID-19疫情对全球造成前所未有的影响。在这场公共卫生危机期间，对疾病的可靠预测对于资源分配和行政规划至关重要。SIR和SEIR等房室模型的结果被CDC和新闻媒体广泛引用。随着越来越多的COVID-19数据变得可用，我们研究了以下问题：不对疾病传播动态建模的直接数据驱动方法是否能优于被广泛引用的房室模型及其变体？在本文中，我们展示了这种可能性。据观察，由于COVID-19在不同地理区域以不同的速度和规模传播，这些区域在不同时间段内很可能共享类似的进展模式。这种直觉引导我们开发了一种新的神经预测模型，称为注意力交叉时间序列（\textbf{ACTS}），它通过比较从多个地区获得的时间序列的模式来进行预测。最初为自然语言处理开发的注意力机制可以被利用和推广来实现这一想法。在包括预测新确诊病例、住院和死亡在内的18项测试中，\textbf{ACTS}的表现超过了CDC强调的所有领先的COVID-19预测者。
2021-04-05 cs.LG stat.ML
Short-Term Forecasting COVID-19 Cases In Turkey Using Long Short-Term Memory Network
Yeditepe University（耶迪特佩大学）
自二零一九年十二月以来，COVID-19已成为最严重的疾病之一，导致全球严重流行。本研究的目的是评估长短期记忆（LSTM）网络在预测土耳其COVID-19病例总数方面的价值。2020年3月24日至4月23日之间30天的COVID-19数据用于估计未来15天。LSTM网络15天估计的平均绝对误差为1.69 $\pm$ 1.35%。而对于相同的数据，Box-Jenkins法的误差为3.24 $\pm$ 1.56%，Prophet法的误差为6.88 $\pm$ 4.96%，Holt-Winters加性阻尼趋势法的误差为0.47 $\pm$ 0.28%。此外，当死亡人数数据也与总病例数一起提供给LSTM网络的输入时，平均误差降低到0.99 $\pm$ 0.51%。因此，与仅使用总病例数作为输入相比，将死亡人数数据添加到输入中会导致预测误差较小。然而，具有阻尼趋势的Holt-Winters加法方法在预测COVID-19病例总数方面优于LSTM网络。
2020-09-16 cs.LG stat.ML
AICov: An Integrative Deep Learning Framework for COVID-19 Forecasting with Population Covariates
Indiana University（印第安纳大学）；University of Pittsburgh（匹兹堡大学）；Health Analytics Network（健康分析网络）
COVID-19大流行对健康、经济、社会、政治以及人类生活的几乎每一个主要方面都产生了深远的全球影响。因此，从发生COVID-19和其他大流行病的更广泛社会背景的角度对其进行建模非常重要。我们提出了AICov的架构，它为COVID-19预测提供了一个集成的深度学习框架，其中一些可能作为假定的风险因素。我们已经将多种不同的策略集成到AICov中，包括使用基于LSTM的深度学习策略甚至建模的能力。为了证明我们的方法，我们进行了一个试点，整合了来自多个来源的人口协变量。因此，AICov不仅包括有关COVID-19病例和死亡的数据，更重要的是，还包括地方层面人口的社会经济、健康和行为风险因素。编译后的数据被输入到AICov中，因此，与仅使用病例和死亡数据的模型相比，我们通过将数据整合到我们的模型中来获得更好的预测。
2020-10-08 cs.LG stat.ML
Empirical Quantitative Analysis of COVID-19 Forecasting Models
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）
2019冠状病毒病自二零二零年初以来一直是国际关注的突发公共卫生事件。可靠的预测对减少这一疾病的影响至关重要。迄今为止，已经提出了大量不同的预测模型，主要包括统计模型、分区模型和深度学习模型。然而，由于不同地区的经济和政府政策等各种不确定因素，没有一种预测模型似乎对所有情况都是最好的。本文定量分析了美国不同地区在不同预测期内对COVID-19确诊病例和死亡病例的预测，并通过不同的评估指标评估了以下三个维度（改进和变化）对预测性能的相对影响：模型选择，超参数调整和训练所需的时间序列长度。我们发现，如果一个维度带来了更高的性能增益，如果没有很好地调整，它也可能导致更严厉的性能处罚。此外，模型选择是决定预测性能的主导因素。在不同地区的所有预测任务中，它负责最大的改进和最大的性能变化。虽然从业者在实践中可能会执行更复杂的时间序列分析，但如果他们对模型选择等关键决策有足够的洞察力，他们应该能够获得合理的结果。
2021-10-01 cs.LG stat.ML
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the USA
University of Colorado Boulder（科罗拉多大学博尔德分校）
随着COVID-19影响全球每个国家并改变日常生活，预测疾病传播的能力比以往任何流行病都更重要。传统的疾病传播建模方法，即房室模型，是基于病毒传播的时空均匀性的假设，这可能会导致预测表现不佳，特别是在高空间分辨率下。在本文中，我们的预测任务的替代技术-时空机器学习。我们提出了COVID-LSTM，这是一种基于长短期记忆深度学习架构的数据驱动模型，用于预测美国县级的COVID-19发病率。我们使用每周新的阳性病例数作为时间输入，并从Facebook的运动和连通性数据集中手工设计空间特征，以捕捉疾病在时间和空间上的传播。COVID-LSTM在我们为期17周的评估期内优于COVID-19 Forecast Hub的Ensemble模型（COVIDhub-ensemble），使其成为第一个在一个或多个预测期内比COVIDhub-ensemble更准确的模型。在4周的预测范围内，我们的模型平均每个县50例，比COVID hub集合更准确。我们强调，在COVID-19之前，数据驱动的疾病传播预测未得到充分利用可能是由于缺乏足够的先前疾病数据，以及时空预测机器学习方法的最新进展。我们讨论了更广泛地采用数据驱动预测的障碍，以及未来是否可能使用更多基于深度学习的模型。
2022-08-18 cs.LG stat.AP stat.ML
Comparison of ARIMA, ETS, NNAR and hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy
冠状病毒病（COVID-19）是一种严重的持续性新型大流行病，于2019年12月在中国武汉出现。截至10月13日，疫情在全球迅速蔓延，影响了3800多万人，造成100多万人死亡。在本文中，我分析了几种时间序列预测方法，以预测2020年10月13日之后意大利第二波COVID-19的传播。我使用了自回归模型（ARIMA）、指数平滑状态空间模型（ETS）、神经网络自回归模型（NNAR），以及它们的以下混合组合：ARIMA-ETS、ARIMA-NNAR、ETS-NNAR和ARIMA-ETS-NNAR。关于数据，我预测了轻度症状住院和重症监护室（ICU）的患者数量。数据涉及2020年2月21日至2020年10月13日期间，摘自意大利卫生部网站（www.salute.gov.it）。结果显示，i）除ARIMA-ETS外，混合模型均优于各自的单一模型，更能捕捉线性及非线性流行模式;及ii）因COVID-19而住院且症状轻微及入住ICU的人数将于未来数周迅速增加，约于50至60天内（即至少于2020年12月中旬）达到高峰。为应对即将到来的COVID-19第二波疫情，一方面，有必要聘请医护人员，并提供足够的医院设施、防护设备以及普通和重症监护病床;另一方面，通过改善公共交通和采用两班制等方式加强社交距离可能是有用的。
2020-10-22 stat.AP stat.ML
Curse of Small Sample Size in Forecasting of the Active Cases in COVID-19 Outbreak
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）；Yaşar University（亚沙尔大学）
于2019冠状病毒病大流行期间，已就预测此大流行的病例数目及其他未来趋势作出大量尝试。然而，他们未能以可靠的方式预测COVID-19爆发基本特征的中长期演变，准确度可接受。本文给出了一个解释失败的机器学习模型在这个特定的预测问题。本文表明，简单的线性回归模型提供了高的预测精度值可靠，但只有2周的时间，相对复杂的机器学习模型，这有可能学习长期的预测与低误差，不能实现获得良好的预测具有较高的泛化能力。本文认为，缺乏足够数量的样本是预测模型预测性能低下的根源。预测结果的可靠性衡量的交叉验证预测误差，这是用来作为预测员的泛化误差的期望。为了利用与活动情况最相关的信息，我们对各种变量执行特征选择。我们应用不同的特征选择方法，即成对相关、递归特征选择和使用Lasso回归的特征选择，并将它们彼此进行比较，并与不采用任何特征选择的模型进行比较。此外，我们比较了线性回归，多层感知器，和长短期记忆模型，其中每一个都是用于预测活动的情况下，与上述特征选择方法。我们的研究结果表明，仅由于COVID-19数据的样本量较小，因此可以对具有高泛化能力的活跃病例进行准确预测，最长可达3天。
2020-11-26 cs.LG stat.ML
Visualization and machine learning for forecasting of COVID-19 in Senegal
在本文中，我们给出了可视化和不同的机器学习技术的两个星期和40天的提前预测的基础上公开的数据。2020年7月15日，塞内加尔重新开放领空大门，而确诊病例仍在增加。人们不再尊重卫生措施，与污染开始时一样保持社交距离。是因为疏忽还是因为太累而一直戴着面具？对拐点和可能的结束时间进行了预测。
2020-08-06 q-bio.PE stat.ML
Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep 22, 2021, based on deep learning
Islamic Azad University, Ardabil Branch（伊斯兰阿扎德大学阿尔达比勒分校）；Sama technical and vocational training college, Islamic Azad University, Ardabil branch（伊斯兰阿扎德大学阿尔达比勒分校萨马职业技术培训学院）；Iran University of Science and Technology（伊朗科技大学）
最近全球爆发的新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）正在影响全球许多国家。由于新感染者的数量不断增加和卫生保健系统的瓶颈，预测即将到来的患者数量将是有用的。这项研究旨在有效地预测180天内伊朗的新病例、死亡人数和康复患者人数，使用伊朗卫生和医学教育部的官方数据集以及控制措施对COVID-19传播的影响。四种不同类型的预测技术，时间序列，和机器学习算法，开发和给定的案例研究的最佳执行方法被确定。在时间序列下，我们考虑了四种算法：先知，长短期记忆，自回归，自回归积分滑动平均模型。在比较不同的技术时，我们发现深度学习方法比时间序列预测算法产生更好的结果。更具体地说，在季节性ANN和LSTM模型中观察到误差测量的最小值。我们的调查结果显示，如果认真采取预防措施，新增病例和死亡人数将减少，2021年9月的死亡人数将达到零。
2021-03-15 cs.AI cs.LG stat.ML
Deep learning via LSTM models for COVID-19 infection forecasting in India
University of New South Wales（新南威尔士大学）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
COVID-19疫情继续对健康及医疗基础设施、经济及农业造成重大影响。由于感染传播的复杂性，著名的计算和数学模型一直不可靠。此外，由于缺乏数据汇集和报告，建模工作变得困难和不可靠。因此，我们需要借助可靠的数据来源和创新的预测模型来重新审视这一情况。深度学习模型，如递归神经网络，非常适合对时空序列进行建模。在本文中，我们应用递归神经网络，如长短期记忆（LSTM），双向LSTM和编码器-解码器LSTM模型，用于多步（短期）COVID-19感染预测。我们选取印度COVID-19疫情高发的州，捕捉第一波（2020年）及第二波（2021年）的感染情况，并提供两个月的预测。我们的模型预测，2021年10月和11月发生另一波感染的可能性很低;然而，鉴于新出现的病毒变种，当局需要保持警惕。预测的准确性促使该方法在其他国家和地区的应用。然而，由于数据的可靠性以及难以捕捉人口密度、物流以及文化和生活方式等社会方面的因素，建模仍然面临挑战。
2022-01-17 cs.AI cs.LG stat.AP
Impact of COVID-19 on Forecasting Stock Prices: An Integration of Stationary Wavelet Transform and Bidirectional Long Short-Term Memory
COVID-19是一种主要影响呼吸系统的传染病。在进行这项研究时，有超过140万例COVID-19病例，最大的焦虑之一不仅是我们的健康，还有我们的生计。在这项研究中，作者调查了COVID-19对全球经济的影响，更具体地说，COVID-19对原油价格和三个美国股票指数（DJI，S&P 500和NASDAQ Composite）的金融走势的影响。拟议的商品和股票价格预测系统集成了平稳小波变换（SWT）和双向长短期记忆（BDLSTM）网络。首先，使用SWT将数据分解为近似系数和细节系数。经分解后，原油价格及股票市场指数数据连同COVID-19确诊病例均用作未来价格变动预测的输入变量。结果表明，所提出的系统BDLSTM+WT-ADA在五天原油价格预测方面取得了令人满意的结果。
2020-07-03 q-fin.ST stat.ML
A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Tecnológico de Monterrey（蒙特雷理工学院）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Northeastern University（东北大学）；ISI Foundation（ISI基金会）
我们提出了一种及时而新颖的方法，通过可解释的机器学习方法，将来自机械模型的疾病估计与数字痕迹相结合，以实时可靠地预测中国各省的COVID-19活动。具体来说，我们的方法能够产生稳定和准确的预测2天前的当前时间，并作为输入（a）从中国疾病预防控制中心的官方健康报告（中国疾病预防控制中心），（b）百度的COVID-19相关互联网搜索活动，（c）Media Cloud报告的新闻媒体活动，以及（d）GLEAM对COVID-19活动的每日预测，一种基于代理的机械模型。我们的机器学习方法使用聚类技术，可以利用中国各省COVID-19活动的地理空间同步性，并使用数据增强技术来处理少量的历史疾病活动观察结果，这是新爆发的特征。我们的模型在中国32个省份中的27个省份的预测能力优于一系列基准模型，并且可以轻松扩展到目前受COVID-19疫情影响的其他地区，以帮助决策者。
2020-04-08 cs.LG q-bio.PE stat.ML
State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting
提出了电力需求预测竞赛的获胜策略。该竞赛旨在为2020年春季开始的不稳定时期设计新的预测方法。我们依靠状态空间模型来适应标准的统计和机器学习模型。我们认为它在两个极端之间达成了正确的妥协。一方面，纯时间序列模型（如自回归模型）本质上是自适应的，但无法捕捉对外生变量的依赖性。另一方面，机器学习方法允许学习对历史数据集上的解释变量的复杂依赖性，但不能准确地预测非平稳数据。比赛的评估阶段是试错的机会，我们把重点放在最后的预测程序上。特别是，它是在同一时间，最近的算法设计，以适应状态空间模型的方差，我们目前的结果，最终版本。不过，我们还是要讨论今天的预测。
2021-10-01 stat.AP stat.ME stat.ML
Analysis of the COVID-19 pandemic by SIR model and machine learning technics for forecasting
本研究尝试提出SIR模型与机器学习工具来分析现实世界中的冠状病毒大流行。基于\cite{datahub}的公开数据，我们估计了主要的关键流行参数，并对现实世界（特别是塞内加尔）的拐点和可能的结束时间进行了预测。2019年，世界卫生组织的冠状病毒病在整个中国迅速蔓延，然后蔓延到整个世界。乐观估计，部分国家的疫情将很快结束，而世界上大部分国家（美国、意大利等），抗疫的冲击不会迟于四月底。
2020-04-03 math.OC q-bio.PE stat.ML
