A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
Indian Institute of Technology Indore(印度印多尔印度理工学院)
本研究提出Multilateral Attention-enhanced GRU模型,利用多源数据和注意力机制捕捉复杂时间依赖关系以预测COVID-19等传染病爆发,并整理了多源数据集,实验证明该模型在RMSE和MAE指标上超越现有技术。
2024-08-26 cs.LG
Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a Deep Learning study
University of Virginia(弗吉尼亚大学)
2019年底爆发的COVID-19是一场震惊世界的健康危机的开始,并在随后的几年中夺走了数百万人的生命。许多政府和卫生官员未能阻止感染在其社区的快速传播。潜伏期长,无症状病例比例大,使得COVID-19特别难以追踪。然而,废水监测很快就成为一个有前途的数据来源,除了常规指标,如确诊的每日病例,住院和死亡。尽管对废水病毒载量数据的有效性达成了共识,但缺乏利用病毒载量来改善COVID-19预测的方法。本文提出使用深度学习来自动发现每日确诊病例与病毒载量数据之间的关系。我们训练了一个深度时间卷积网络(DeepTCN)和一个时间融合Transformer(TFT)模型来构建全局预测模型。我们将每日确诊病例与病毒载量和其他社会经济因素作为协变量补充到模型中。我们的研究结果表明,TFT的表现优于DeepTCN,并学习了病毒载量和日常病例之间更好的关联。我们证明了,为模型配备病毒载量可以显着提高其预测性能。此外,病毒载量被证明是第二个最具预测性的输入,其次是遏制和健康指数。我们的研究结果揭示了在提供废水病毒载量数据时训练位置不可知的深度学习模型来捕获感染扩散动态的可行性。
2022-12-17 cs.LG
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
Forecasting COVID- 19 cases using Statistical Models and Ontology-based Semantic Modelling: A real time data analytics approach
Indian Institute of Information Technology, Allahabad(印度阿拉哈巴德信息技术学院)
SARS-COV-19是当今许多国家面临的最突出问题。感染、康复和死亡人数的频繁变化反映了这一流行病的动态性质。预测该病毒的传播速度对于正确决策以应对通过病毒感染的情况,跟踪和控制病毒在社区中的传播是非常关键的。我们使用SARIMA和FBProphet等统计时间序列模型开发预测模型,以准确监测COVID-19的每日活动、康复和死亡病例。然后在每个患者的各种细节(如身高,体重,性别等)的帮助下,我们使用语义网规则语言和一些数学模型设计了一套规则,用于在个体基础上处理COVID 19感染病例。在综合所有模型后,开发了一个COVID-19 Ontology,并使用SPARQL查询对设计的Ontology进行各种查询,积累了风险因素,为COVID患者提供相应的诊断、预防措施和预防建议。在比较SARIMA和FBProphet的表现后,发现SARIMA模型在预测COVID病例方面表现更好。根据个别COVID病例预测,约497个样本已进行测试,并分为五个不同级别的COVID类别,如有COVID、无COVID、高风险COVID病例、中至高风险病例和需要控制的病例。
2023-01-31 cs.LG q-bio.PE
Forecasting Brazilian and American COVID-19 cases based on artificial intelligence coupled with climatic exogenous variables
Pontifical Catholic University of Parana (PUCPR)(巴拉那天主教大学);Federal Technological University of Parana (UTFPR)(巴拉那联邦理工大学);Federal University of Parana (UFPR)(巴拉那联邦大学)
新型冠状病毒病(COVID-19)是一种公共卫生问题,据世界卫生组织统计,截至2020年6月10日,全球有超过710万人感染,超过40万人死亡。在目前的情况下,巴西和美利坚合众国每天的新病例和死亡发生率很高。在一周的时间窗口内预测新病例的数量非常重要,因为这可以帮助公共卫生系统制定应对COVID-19的战略规划。在本文中,贝叶斯回归神经网络,立体回归,k-近邻,分位数随机森林,和支持向量回归,使用独立的,再加上最近的预处理变分模式分解(VMD)的时间序列分解成几个内在的模式函数。所有人工智能技术都在时间序列预测任务中进行了评估,其中包括截至2020年4月28日,巴西和美国五个州的COVID-19累积病例提前一天,三天和六天。所有预测模型均采用过往累计COVID-19病例及每日气温及降水量等外生变量作为输入。VMD的混合在准确性方面优于单一预测模型,特别是当视野提前六天时,在70%的情况下实现了更好的准确性。对于外生变量,作为预测变量的重要性排名是过去的情况下,温度和降水。由于经评估的模型可有效预测COVID-19累积病例达六天前,所采用的模型可被推荐为有前景的预测模型,并可用于协助制定公共政策以减轻COVID-19爆发的影响。
2020-07-21 cs.LG q-bio.PE
SIMLR: Machine Learning inside the SIR model for COVID-19 Forecasting
University of Alberta(阿尔伯塔大学)
准确预测疫情期间新感染人数对于及时有效地做出决策至关重要。本文使用SIMLR模型解决了这一挑战,该模型将机器学习(ML)纳入流行病学SIR模型。SIMLR跟踪每个地区政府层面实施的政策的变化,并利用这些变化来估计SIR模型的时变参数,从而提前1至4周预测新感染人数,还预测这些政府政策在未来每个时间发生变化的概率,这对于长期预测至关重要。我们将SIMLR应用于加拿大和美国地区的数据,并表明其MAPE(平均平均百分比误差)性能与SOTA预测模型一样好,并且具有可解释模型的额外优势。我们预计,这种方法不仅对预测COVID-19感染有用,而且对预测其他传染病的演变也有用。
2021-06-03 cs.LG stat.AP
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
Forecasting COVID-19 Infections in Gulf Cooperation Council (GCC) Countries using Machine Learning
United Arab Emirates University(阿联酋大学);Independent Data Scientist and Engineer(独立数据科学家和工程师)
自大约一年前首次发现COVID-19以来,全球已感染超过6800万人。机器学习时间序列模型已用于预测COVID-19感染。在本文中,我们使用约翰霍普金斯大学的公共COVID-19数据集为海湾合作委员会(GCC)国家开发了时间序列模型。数据集包括2020年1月22日至2021年1月22日期间的一年累计COVID-19病例。我们根据感染数据的空间分布为所研究的国家开发了不同的模型。我们的实验结果表明,所开发的模型可以预测COVID-19感染,具有很高的精度。
2023-03-14 cs.AI cs.CY cs.LG
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
Improving Load Forecast in Energy Markets During COVID-19
National University of Singapore(新加坡国立大学);Monash University(莫纳什大学)
2019冠状病毒病疫情的突然爆发是2020年最重大的事件,对全球产生了深远而持久的影响。对能源市场的研究发现,在COVID-19期间,能源需求下降,能源消费行为发生变化。然而,作为系统运行的重要组成部分,负荷预测在COVID-19期间的表现尚不清楚。本文旨在通过系统地评估可用于在COVID-19期间提高负荷预测性能的模型和功能来弥合研究差距。使用来自纽约独立系统运营商的真实数据,我们的分析采用了三种深度学习模型,并采用了新的COVID相关特征以及经典的天气相关特征。我们还建议使用居家前的周末数据模拟居家情况,并证明其在COVID-19期间提高负荷预测准确性的有效性。
2021-10-01 cs.LG eess.SP
The effects of regularisation on RNN models for time series forecasting: Covid-19 as an example
University of Exeter(埃克塞特大学);British Telecommunications plc.(英国电信公司)
许多提出模型来预测COVID-19大流行过程的研究论文要么使用手工制作的统计模型,要么使用大型神经网络。尽管大型神经网络比简单的统计模型更强大,但在小数据集上进行训练尤其困难。本文不仅提出了一个模型具有更大的灵活性比其他提出的神经网络,但也提出了一个模型,是有效的较小的数据集。为了提高小数据的性能,测试了六种正则化方法。结果表明,GRU与20%辍学相结合,取得了最低的RMSE分数。主要的发现是,对数据访问较少的模型更依赖于正则化器。将Dropout应用于仅用28天数据训练的GRU模型,RMSE降低了23%。
2021-05-09 cs.AI cs.LG
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
Ensemble Machine Learning Methods for Modeling COVID19 Deaths
California Institute of Technology(加州理工学院)
使用机器学习和流行病学方法的混合,我们提出了一种新的数据驱动的方法来预测美国县级COVID-19死亡人数。该模型更完整地描述了每日死亡分布,输出分位数估计值而不是平均死亡人数,其中模型的目标是最大限度地减少《纽约时报》冠状病毒县数据集报告的死亡人数的弹球损失。由此产生的分位数估计准确预测死亡人数在个别县一级的可变长度的预测期,该方法概括以及在不同的预测期长度。我们在加州理工学院举办的建模竞赛中从50多个团队中脱颖而出,我们的总体数据与最好的COVID-19建模系统(均方根误差)相比具有竞争力。
2020-10-04 cs.LG stat.ML
DeepGLEAM: A hybrid mechanistic and deep learning model for COVID-19 forecasting
University of California, San Diego(加利福尼亚大学圣迭戈分校);Northeastern University(东北大学)
我们引入了DeepGLEAM,这是一种用于COVID-19预测的混合模型。DeepGLEAM将机械随机模拟模型GLEAM与深度学习相结合。它使用深度学习从GLEAM中学习校正项,从而提高性能。我们进一步整合各种不确定性量化方法,以生成置信区间。我们在现实世界的COVID-19死亡率预测任务中演示了DeepGLEAM。
2021-03-23 cs.LG
Commuting Network Spillovers and COVID-19 Deaths Across US Counties
The Pennsylvania State University(宾夕法尼亚州立大学)
这项研究探讨了人口流动如何在美国各县形成通勤网络,并影响COVID-19的传播。我们利用三水平混合效应负二项回归模型估计网络COVID-19暴露对县确诊病例和死亡的影响。我们还进行了基于权重的分析,以估计网络暴露的因果关系。结果显示,通勤网络对COVID-19死亡和病例至关重要,不考虑空间邻近性、社会经济和人口因素。不同的地方种族和民族集中也与不平等的结果有关。这些发现表明,通勤是COVID-19传播的重要因果机制,并突出了社区互联的重要性。结果表明,地方一级的缓解和预防工作在得到相连地方网络的类似努力的补充时更为有效。对健康和灵活工作安排的不平等研究的影响进行了讨论。
2021-02-10 cs.CY cs.LG q-bio.PE
Insight about Detection, Prediction and Weather Impact of Coronavirus (Covid-19) using Neural Network
North South University(北南大学)
由于新型冠状病毒(COVID-19)引起的灾难性大流行,世界正面临严峻形势。受这种病毒影响的人数每天都在成倍增加,人数已经超过640万。由于目前还没有发现疫苗,及早发现病人并进行隔离是减少病毒传播的唯一和最有效的方法。通过使用深度神经网络从胸部X射线检测感染者,可以作为一种省时省力的解决方案。在这项研究中,我们试图通过对Covid-19、肺炎和正常胸部X光片的分类来检测Covid-19。我们使用了五种不同的卷积预训练神经网络模型(VGG 16,VGG 19,Xception,InceptionV 3和Resnet 50),并比较了它们的性能。VGG 16和VGG 19在分类中表现出精确的性能。这两种模型都可以在三种X射线之间进行分类,准确率超过92%。我们研究的另一部分是使用决策树回归来发现天气因素(温度、湿度、日照时数和风速)对这一流行病的影响。我们发现,温度、湿度和日照时数共同对新冠肺炎疫情升级的影响为85.88%,对新冠肺炎死亡的影响为91.89%,其中湿度对死亡的影响为8.09%。我们还尝试使用LogisticRegression基于年龄、性别、国家和地点预测COVID-19导致的个人死亡,该模型可以预测个人死亡,模型准确率为94. 40%。
2021-04-05 cs.CV cs.LG eess.IV
Analysis of the Effectiveness of Face-Coverings on the Death Ratio of COVID-19 Using Machine Learning
Purdue University(普渡大学);University of Pittsburgh(匹兹堡大学)
最近爆发的COVID-19导致全球数百万人死亡。为防止病毒传播,美国当局采取了不同的策略,包括由各州州长发布的口罩强制令。在目前的工作中,我们定义了一个称为平均死亡率的参数,即月平均每日死亡人数与月平均每日病例数之比。我们利用调查数据来量化人们对口罩命令的遵守情况。此外,我们隐含地解决了人们遵守面具命令的程度,这可能取决于人口,收入和教育水平等参数。使用不同的机器学习分类算法,我们研究了美国西海岸各县死亡率的增加或减少与输入参数的相关性。结果表明,对于那里的大多数县,口罩命令降低了死亡率,反映了这种预防措施在西海岸的有效性。此外,死亡率的变化表明与每个县的社会经济状况有明显的相关性。此外,结果显示了高达90%左右的有希望的分类准确率得分。
2021-11-08 cs.LG stat.ML
Evaluation of Country Dietary Habits Using Machine Learning Techniques in Relation to Deaths from COVID-19
Universidad de León(莱昂大学);University of León(莱昂大学);Xeridia S.L.(Xeridia公司)
本研究利用机器学习对170国饮食习惯进行聚类分析,发现高脂肪摄入和肥胖与较高COVID-19死亡率相关,而高谷物消费和较低总热量摄入与较低死亡率相关。
2024-02-19 cs.LG q-bio.QM
COVID-19 Data Analysis and Forecasting: Algeria and the World
USTHB University(阿尔及尔科技大学)
新型冠状病毒疾病2019 COVID-19已将世界带入一场突出的危机。截至2020年5月19日,该病毒已传播至215个国家,全球确诊病例超过4,622,001例,报告死亡311,916例,其中阿尔及利亚确诊7201例,死亡555例。分析和预测COVID-19病例和死亡人数的增长可能在许多方面都很有用,政府可以估计医疗设备并采取适当的政策应对措施,专家可以估计疾病的高峰和结束。在这项工作中,我们首先训练了一个时间序列Prophet模型,以分析和预测阿尔及利亚的COVID-19病例和死亡人数。然后,为了更好地了解COVID-19的传播和特性,我们包括可能有助于加速/减缓病毒传播的外部因素,从可靠来源构建数据集,并考虑全球82个国家进行大规模数据分析。评估结果显示,时间序列Prophet模型准确预测了阿尔及利亚的病例数和死亡数,RMSE得分较低,分别为218. 87和4. 79,而预测结果显示,未来几周病例数和死亡总数预计将增加。此外,全球数据驱动的分析揭示了病例和死亡人数的增加/减少与可能有助于加速/减缓病毒传播的外部因素(如地理,气候,健康,经济和人口因素)之间的几种相关性。
2020-08-22 cs.LG physics.soc-ph q-bio.PE
Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19
College of Computing, Georgia Institute of Technology(佐治亚理工学院计算学院);Department of Computer Science, Virginia Tech(弗吉尼亚理工大学计算机系);Department of Computer Science, University of Iowa(爱荷华大学计算机系)
及时预测流感有助于卫生组织和决策者做好充分的准备和决策。然而,有效的流感预测仍然是一个挑战,尽管越来越多的研究兴趣。在新型冠状病毒大流行期间,流感样疾病(ILI)的数量受到各种因素的影响,例如与COVID-19的症状相似性以及一般人群寻求医疗保健模式的转变,这更具挑战性。在当前的大流行下,历史流感模型具有关于疾病动态的宝贵专业知识,但面临着适应困难。因此,我们提出了CALI-Net,这是一种神经迁移学习架构,使我们能够将历史疾病预测模型“引导”到流感和COVID共存的新场景中。我们的框架通过自动学习何时应该强调从COVID相关信号中学习以及何时应该从历史模型中学习来实现这种适应。因此,我们利用从历史ILI数据以及有限的COVID相关信号中学习的表示。我们的实验表明,我们的方法是成功的,在适应历史的预测模型,以当前的流行病。此外,我们表明,在我们的主要目标,适应的成功,不牺牲整体性能相比,国家的最先进的流感预测方法。
2020-12-24 cs.LG stat.AP
The interaction of transmission intensity, mortality, and the economy: a retrospective analysis of the COVID-19 pandemic
Imperial College London(伦敦帝国理工学院);National University of Singapore(新加坡国立大学);University of Copenhagen(哥本哈根大学)
COVID-19疫情迄今已导致超过640万人登记死亡,并对经济活动产生深远影响。在这里,我们研究了2020年1月至2022年12月25个欧洲国家SARS-CoV-2大流行期间传播,死亡率和经济的相互作用。我们采用贝叶斯混合效应模型与自回归项。我们发现,疾病传播强度的增加降低了国内生产总值(GDP),增加了每日超额死亡,与GDP相比,对超额死亡的影响更持久,GDP恢复得更快。从广义上讲,我们的研究结果强化了一个直观的现象,即重要的经济活动来自于不同的人与人之间的互动。我们报告了非药物干预措施(NPI)对传播强度,超额死亡和GDP变化的有效性,以及对政策制定者的影响。我们的研究结果突出了一个复杂的成本效益权衡从个人NPI。例如,禁止国际旅行可以增加GDP,减少超额死亡。我们考虑国家随机效应及其与GDP过度变化和过度死亡的关联。例如,欧洲较发达国家通常对COVID-19大流行采取更谨慎的态度,优先考虑医疗保健,并将过多的死亡人数置于经济表现之上。我们的模型没有完全捕捉到长期的经济损害,以及长期的疾病影响(长期新冠肺炎)。我们的研究结果强调,疾病对一个国家的影响是复杂和多方面的,从经济和疾病负担中提取最佳结果的简单启发式结论具有挑战性。
2023-02-15 cs.LG q-bio.PE stat.AP
Spatial-Temporal Synchronous Graph Transformer network (STSGT) for COVID-19 forecasting
Wayne State University(韦恩州立大学)
COVID-19在过去几年已成为一个令人严重关注的问题。它对全球许多人产生了不利影响,并导致数十亿美元的商业资本损失。在本文中,我们提出了一种新的时空同步图Transformer网络(STSGT),以捕获COVID-19时间序列数据的复杂时空依赖性,并预测不断演变的大流行的未来状态。STSGT的各层将图卷积网络(GCN)与同步时空图上的Transformers自注意机制相结合,以捕获COVID时间序列的动态变化模式。时空同步图同时捕捉给定时间步和后续时间步的图的顶点之间的空间和时间依赖性,这有助于捕捉时间序列中的异质性,提高预测精度。我们在两个公开的真实世界COVID-19时间序列数据集上进行的广泛实验表明,STSGT显著优于为时空预测任务设计的最先进算法。具体而言,在12天的平均水平上,我们观察到平均绝对误差(MAE)比次优算法分别提高了12.19%和3.42%,同时预测了美国50个州和华盛顿特区的每日感染病例和死亡病例。密歇根州所有的县。代码和模型可在https://github.com/soumbane/STSGT上公开获取。
2022-10-31 cs.LG
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
Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks
Google Research(谷歌研究院)
在这项工作中,我们研究了一种使用图神经网络和移动数据进行COVID-19病例预测的新预测方法。与现有的时间序列预测模型相比,所提出的方法从单个大规模时空图中学习,其中节点表示区域级别的人类移动性,空间边缘表示基于人类移动性的区域间连通性,时间边缘表示节点随时间的特征。我们在美国县级COVID-19数据集上评估了这种方法,并证明了图神经网络利用的丰富空间和时间信息使模型能够学习复杂的动态。与表现最好的基线模型相比,我们显示RMSLE降低了6%,绝对Pearson相关性从0.9978提高到0.998。这种新的信息来源与基于图形的深度学习方法相结合,可以成为了解COVID-19传播和演变的强大工具。我们鼓励其他人进一步开发一种基于GNN和高分辨率移动数据的传染病建模范例。
2020-07-06 cs.LG cs.SI
Integrating LSTMs and GNNs for COVID-19 Forecasting
Massachusetts Institute of Technology(麻省理工学院)
COVID-19的传播恰逢图神经网络(GNN)的兴起,导致几项研究提出使用它们来更好地预测大流行的演变。许多这样的模型还包括长短期记忆(LSTM)网络,这是一种用于时间序列预测的常用工具。在这项工作中,我们通过在LSTM的门内实现GNN并利用空间信息来进一步研究这两种方法的集成。此外,我们引入了一个跳过连接,证明是至关重要的,共同捕捉的空间和时间模式的数据。我们根据37个欧洲国家过去472天的数据验证了我们的每日COVID-19新病例预测模型,与基于平均绝对标度误差(MASE)的最先进的图形时间序列模型相比,表现出更优越的性能。这一领域的研究有重要的应用政策制定,我们分析其潜在的流行病资源控制。
2021-07-14 cs.AI cs.LG
Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach
Tufts University(塔夫茨大学);Tufts Medical Center(塔夫茨医学中心)
我们考虑预测单个医院站点的每日住院COVID-19患者人数的问题,以帮助管理人员进行物流和规划。我们开发了几个候选的分层贝叶斯模型,直接捕捉计数性质的数据通过广义泊松似然,模型时间序列的依赖性,通过自回归和高斯过程潜在的过程,并在相关的网站共享统计强度。我们在美国马萨诸塞州的8家医院和英国的10家医院的公共数据集上展示了我们的方法。进一步的前瞻性评估将我们的方法与3家相关医院的利益相关者目前使用的基线进行了比较,通过重新调整州一级的预测来预测未来2周的需求。
2021-04-14 cs.LG stat.ML
In Search of Deep Learning Architectures for Load Forecasting: A Comparative Analysis and the Impact of the Covid-19 Pandemic on Model Performance
National Technical University of Athens(雅典国立技术大学);ICCS(计算机与通信系统研究所);R&D NESTER(NESTER研发中心)
在电网中,短期负荷预测(STLF)至关重要,因为它有助于优化其可靠性,排放和成本,同时使能源公司能够参与能源市场。STLF是一项具有挑战性的任务,由于有功和无功功率的复杂需求,从多种类型的电力负载和他们的依赖于众多的外生变量。其中,特殊情况(如COVID-19疫情)往往可能是负荷系列分布偏移背后的原因。这项工作对深度学习(DL)架构,即神经基扩展分析时间序列预测(N-BEATS)、长短期记忆(LSTM)和时间卷积网络(TCN),在预测准确性和训练可持续性方面进行了比较研究,同时考察了它们在COVID-19大流行时期的分布外泛化能力。一个模式序列预测(PSF)模型被用作基线。案例研究的重点是葡萄牙国家15分钟分辨率净负荷时间序列的提前一天的预测。能源公司和网络运营商可以利用这些结果:(i)使用最先进的DL模型加强其预测工具包;(ii)意识到危机事件对模型性能的严重后果;(iii)作为智能电网背景下的高级模型评估,部署和可持续性指南。
2023-02-25 cs.AI cs.LG
Improving COVID-19 Forecasting using eXogenous Variables
The University of Georgia(佐治亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
在这项工作中,我们通过考虑国家和州一级的数据来研究美国的大流行过程。我们提出并比较了多个时间序列预测技术,其中包括辅助变量。一种类型的方法是基于时空图神经网络,其通过利用混合深度学习架构和人类移动数据来预测流行病进程。此图中的节点表示因COVID-19导致的州级死亡,边缘表示人类流动趋势,时间边缘对应于时间上的节点属性。第二种方法基于美国COVID-19死亡率预测的统计技术,该技术使用SARIMA模型和外源变量。我们在美国州和国家层面的COVID-19数据上评估了这些技术,并声称SARIMA和MCP模型通过外源变量生成的预测值可以丰富基础模型,以分别捕获国家和州层面数据的复杂性。我们展示了对COVID-19数据集的预测准确性的显著增强,在国家级数据中,预测准确性最大提高了64.58%和59.18%(平均),在州级数据中,预测准确性最大提高了58.79%和52.40%(平均)。此外,我们提出的模型比平行研究(AUG-NN)的准确性平均提高了27.35%。
2021-07-20 cs.LG stat.ME
Predicting COVID-19 cases using Bidirectional LSTM on multivariate time series
College of Engineering(工程学院)
背景资料:为协助政策制定者采取适当决策以阻止COVID-19大流行的传播,准确预测疾病传播至关重要。材料与方法:本文提出了一种深度学习方法,使用双向长短期记忆(Bi-LSTM)网络预测COVID-19病例的累积数量,该网络应用于多变量时间序列。与其他预测技术不同,我们提出的方法首先使用K-Means聚类算法对具有相似人口和社会经济方面以及卫生部门指标的国家进行分组。每个集群国家的累积病例数据(其中包含与封锁措施相关的数据)被馈送到双向LSTM,以训练预测模型。结果:我们通过研究卡塔尔的疾病暴发,验证了所提出的方法的有效性。定量评估,使用多个评估指标,表明所提出的技术优于国家的最先进的预测方法。结论:除了封锁措施外,还使用多个国家的数据,提高了对每日累计COVID-19病例预测的准确性。
2020-09-10 cs.LG cs.SI
Investigating Forecasting Models for Pandemic Infections Using Heterogeneous Data Sources: A 2-year Study with COVID-19
KIOS Center of Excellence(KIOS研究中心);University of Cyprus(塞浦路斯大学);Department of Computer Science(计算机科学系)
本研究利用塞浦路斯两年期异构数据(流行病学、疫苗接种、政策、天气)进行COVID-19预测案例研究,分析感染趋势并评估预测性能,以提升未来疫情应对能力。
2025-10-07 cs.LG q-bio.PE