Deep diffusion-based forecasting of COVID-19 by incorporating network-level mobility information
Virginia Tech（弗吉尼亚理工大学）；Mississippi State University（密西西比州立大学）
对传染病传播的时空性质进行建模，可以为理解疾病传播的时变方面和在人们的流动模式中观察到的潜在复杂空间依赖性提供有用的直觉。此外，县一级的多个相关的时间序列信息可以用来对单个时间序列进行预测。实时数据经常偏离单峰高斯分布假设，并且可能显示一些复杂的混合模式，这一事实增加了这一挑战。受此启发，我们开发了一种基于深度学习的时间序列模型，用于概率预测，称为自回归混合密度动态扩散网络（ARM3Dnet），它将人们的流动性和疾病传播视为动态有向图上的扩散过程。高斯混合模型层的实现是为了在从多个相关时间序列中学习时考虑实时数据的多模态性质。我们表明，当使用动态协变量特征和混合成分的最佳组合进行训练时，我们的模型在预测美国县级新冠肺炎死亡人数和病例数方面的表现优于传统统计和深度学习模型。
2021-11-09 cs.LG
Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting
University of Virginia（弗吉尼亚大学）；Biocomplexity Institute and Initiative, University of Virginia（弗吉尼亚大学生物复杂性研究所与倡议中心）
COVID-19疫情是自1918年流感大流行以来最严重的公共卫生灾难。在COVID-19等大流行期间，及时可靠地对流行动态进行时空预测至关重要。基于深度学习的时间序列预测模型最近受到欢迎，并已成功用于流行病预测。在这里，我们专注于基于深度学习的COVID-19预测模型的设计和分析。我们实现了多个基于递归神经网络的深度学习模型，并使用堆栈集成技术将它们组合在一起。为综合多种因素对COVID-19传播的影响，我们考虑多种来源，如COVID-19确诊和死亡病例数数据以及测试数据，以更好地进行预测。为了克服训练数据的稀疏性，并解决疾病的动态相关性，我们提出了基于聚类的高分辨率预测训练。这些方法有助于我们识别由于各种时空效应而导致的某些区域组的相似趋势。我们研究了用于预测县、州和国家一级每周COVID-19新确诊病例的拟议方法。对COVID-19背景下的不同时间序列模型进行了全面比较和分析。结果表明，与更复杂的模型相比，简单的深度学习模型可以实现相当或更好的性能。我们目前正在整合我们的方法，作为我们每周预测的一部分，我们提供州和联邦当局。
2020-11-23 cs.LG stat.AP
Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru
LIPADE, Université Paris Cité（巴黎Cité大学LIPADE研究所）；EDITE, Sorbonne Université（索邦大学EDITE研究所）；Télécom SudParis（南巴黎电信学院）；Institut Polytechnique de Paris（巴黎高等理工学院）；LISSI, Université Paris-Est Créteil（巴黎-est创造学院LISSI研究所）；ESIEE Paris - Université Gustave Eiffel (UGE)（巴黎ESIEE大学- Gustave Eiffel大学（UGE））；SAMOVAR, Télécom SudParis（SAMOVAR研究所，南巴黎电信学院）；The World Bank（世界银行）；De Vinci Higher Education, De Vinci Research Center（De Vinci高等教育，De Vinci研究中心）
本文提出一种轻量的空间邻域融合技术，通过聚合H3邻居信号提升时空预测性能，应用于秘鲁新冠移动性预测，取得9.85%的MSE降低效果。
2026-02-25 cs.LG
Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models
2019冠状病毒病（COVID-19）是一场全球公共卫生危机，已被世界卫生组织宣布为大流行病。预测各国的COVID-19病例对于帮助政策制定者和医疗服务提供者为未来做好准备是必要的。本研究探讨了几种长短期记忆（LSTM）模型和自回归综合移动平均（ARIMA）模型在预测新冠肺炎确诊病例数方面的表现。每日累计COVID-19病例的时间序列被用于使用几个LSTM模型和ARIMA生成1天、3天和5天的预测。两个新的k期性能指标-k天平均绝对百分比误差（kMAPE）和k天中位数对称精度（kMdSA）-被开发用于评估模型在预测多天时间序列值方面的性能。使用kMAPE和kMdSA对LSTM模型的预测误差均低至0.05%，而ARIMA的预测误差分别为0.07%和0.06%。LSTM模型略微低估，而ARIMA略微高估了预测中的数字。LSTM模型在预测COVID-19病例方面的表现与ARIMA相当。虽然ARIMA需要更长的序列，但LSTM可以在序列大小为3的情况下表现得相当好。然而，LSTM需要大量的训练样本。此外，k期性能指标的发展建议可能是有用的性能评估的时间序列模型在预测多个时期。基于所提出的k周期性能指标，LSTM和ARIMA都可用于COVID-19的时间序列分析和预测。
2020-06-05 cs.LG stat.AP
HydroSphere: A Framework for Governed, Self-Healing Wastewater Infrastructure
HydroSphere是一个数据驱动的污水管理框架，结合TCN-LSTM预测、PPO投药优化和SHADE异常检测，在282万条历史数据上验证，实现了预测和优化的性能提升，并支持可持续发展目标。
2026-10-08 cs.AI cs.CY cs.ET
AI-Driven Forecasting and Monitoring of Urban Water System
Texas A&M University - Corpus Christi（德克萨斯A&M大学-科珀斯克里斯蒂分校）；The AIII Lab（AIII实验室）
本研究提出集成AI与远程传感器的框架，利用稀疏传感器和HydroNet模型，通过边缘感知消息传递与水力模拟，实现地下管道泄漏的精准预测与监测。
2025-10-08 cs.AI cs.LG
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
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
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
Evaluating Time Series Models for Urban Wastewater Management: Predictive Performance, Model Complexity and Resilience
Berlin University of Applied Sciences and Technology（柏林应用科学与技术大学）；Intelligent Embedded Systems Department, University of Duisburg-Essen（智能嵌入式系统系，杜伊斯堡- Essen大学）；Einstein Center Digital Future（爱因斯坦数字未来研究中心）
本文提出一种评估合流制排水系统时序预测神经网络架构的协议，从预测性能、复杂性及鲁棒性对比全局与局部模型，发现局部模型在去中心化场景弹性更佳，长预测视野模型对扰动更鲁棒，助力可持续城市污水管理。
2025-04-24 cs.AI cs.LG
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
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
Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil
Pontifical Catholic University of Parana（巴拉那天主教大学）；Federal Technological University of Parana（巴拉那联邦理工大学）；Federal University of Parana（巴拉那联邦大学）
新型冠状病毒（COVID-19）是一种新出现的疾病，自第一次通知以来一直感染数百万人。开发有效的短期预测模型可以了解未来病例的数量。在这方面，有可能在公共卫生系统中制定战略规划，以避免死亡。在本文中，自回归积分移动平均（ARIMA），立方（CUBIST），随机森林（RF），岭回归（RIDGE），支持向量回归（SVR）和堆栈集成学习在时间序列预测任务中进行了评估，提前一天，三天和六天预测巴西十个州的COVID-19累计确诊病例，每日发病率较高。在堆叠学习方法中，采用立体主义，RF，RIDGE和SVR模型作为基学习器，高斯过程（GP）作为元学习器。基于改进指数、平均绝对误差和对称平均绝对百分比误差准则来评估模型的有效性。在大多数情况下，SVR和堆叠集成学习达到了更好的性能，采用的标准比比较模型。一般来说，所开发的模型可以产生准确的预测，实现的误差范围内的0.87% -3.51%，1.02% -5.63%，和0.95% - 6.90%，分别在一个，三个，和六天，提前。所有场景中的模型排名是SVR，堆叠集成学习，ARIMA，CUBIST，RIDGE和RF模型。建议使用经评估的模型来预测和监测COVID-19病例的持续增长，一旦这些模型可以在决策支持系统中帮助管理人员。
2020-07-21 cs.LG q-bio.PE
Comparing Time-Series Analysis Approaches Utilized in Research Papers to Forecast COVID-19 Cases in Africa: A Literature Review
Persian Gulf University（波斯湾大学）
本文综述了用于预测非洲新冠疫情病例的时间序列分析方法，评估了不同模型的有效性和局限性，并探讨了未来改进方向。
2026-01-27 cs.LG
Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds
The Hospital for Sick Children（病童医院）
预测医院环境中的患者数量是时间序列预测的一个很好的研究应用。现有工具通常每天或每周进行预测，以协助规划人员配置需求。由于我们儿科医院急诊科面临新的COVID相关能力限制，我们开发了一个小时预测工具，可以在24小时内进行预测。这些预测将使我们的医院有足够的时间能够将资源用于扩大容量和增加员工（例如改造病房或引入随叫随到的医生）。使用高斯过程回归（GPR），我们在预测我们医院容量的顺序层时获得了点预测（平均R平方：82%）和分类准确性（平均精确度/召回率：82%/74%）的强大性能。与传统的回归方法相比，GPR不仅获得了持续更高的性能，而且对2020年发生的数据集变化也具有鲁棒性。医院的利益相关者对我们的结果感到鼓舞，我们目前正在努力将我们的工具转移到实时环境中，目标是增强我们医疗保健工作者的能力。
2020-11-09 cs.CY cs.LG
Predicting COVID-19 Prevalence Using Wastewater RNA Surveillance: A Semi-Supervised Learning Approach with Temporal Feature Trust
Mount Holyoke College（马修斯学院）；Groton School（格罗顿学校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出一种半监督学习方法，利用污水RNA监控数据预测新冠流行病，解决时间特征可靠性问题。
2025-11-27 cs.LG q-bio.QM stat.AP
Adaptive Epidemic Forecasting and Community Risk Evaluation of COVID-19
IBM（国际商业机器公司）
封锁、限制餐厅及聚会、保持社交距离等疫情控制措施已显示有效遏制COVID-19的传播。然而，持续执行这些法律会产生负面的经济影响。为了制定战略和政策，减少人民和经济的困难，同时有效地防治大流行病，当局需要在正确的地理空间粒度上了解疾病动态。考虑到医院处理波动需求的能力等因素，评估各种重新开放的情况，并准确预测病例对决策至关重要。为此，我们提出了一个灵活的端到端解决方案，将公共卫生数据与三级客户数据无缝集成，以准确估计重新开放社区的风险。其核心是一个最先进的预测模型，可以自动捕捉传输和移动性的变化趋势。基准对各种公布的基线确认我们的预测算法的优越性。结合扩展到多个客户特定需求并通过反事实分析执行演绎推理的能力，该解决方案为从政府到教育机构、医院和商业机构的多个客户领域提供了可操作的见解。
2021-06-03 cs.CY cs.LG
Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting
Heilbrunn Department of Population and Family Health, Columbia University Mailman School of Public Health（哥伦比亚大学流行病学与家庭健康系）；Department of Geography, University of Colorado（科罗拉多大学地理系）；Population Council（人口理事会）
本研究提出一种并行流LSTM框架，通过引入Meta的Social Connectedness Index衍生的时空特征SPH，在美国州级水平上准确预测COVID-19每日新增住院人数，在Delta和Omicron激增期间表现优于集成模型。
2025-07-07 cs.AI cs.LG
Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study
School of Engineering, RMIT Melbourne, Australia（墨尔本皇家理工大学工程学院）；Tarbiat Modares University（塔里克·莫拉兹大学）；Islamic Azad University, Central Tehran Branch（伊斯兰 Azad 大学中央德黑兰分校）；Ferdowsi University of Mashhad（法尔多西大学）
本文提出一种结合CNN-LSTM与WOA-GWO优化的混合深度学习方法，用于提高流行病预测的准确性，通过全球新冠病例数据验证其有效性。
2026-01-16 cs.LG eess.IV
Interpretable Sequence Learning for COVID-19 Forecasting
Google Cloud AI（谷歌云人工智能）
我们提出了一种新的方法，将机器学习整合到房室疾病建模中，以预测COVID-19的进展。我们的模型可以通过设计来解释，因为它明确地显示了不同的隔间是如何演变的，并且它使用可解释的编码器来合并协变量并提高性能。可解释性是有价值的，以确保模型的预测是可信的流行病学家和灌输信心的最终用户，如政策制定者和医疗机构。我们的模型可以应用于不同的地理分辨率，在这里，我们展示了它在美国的州和县。我们表明，我们的模型提供了更准确的预测，在整个美国的平均指标，比国家的最先进的替代品，它提供了定性有意义的解释性见解。最后，我们分析了我们的模型的性能为不同的子组的基础上，在县内的子组分布。
2021-01-13 cs.LG stat.ML
Modeling and Forecasting COVID-19 Cases using Latent Subpopulations
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Brock University（布鲁克大学）
经典的流行病学模型假设同质人群。当子种群的身份已知时，如年龄组或地理位置，异质种群模型已经有了重要的扩展。在这里，我们提出了两种新的方法来模拟随着时间的推移感染COVID-19的人数，每种方法都是潜在子人群的线性组合-即，当我们不知道哪个人在哪个子群体中时，唯一可用的观察结果是所有子群体的聚合。方法#1是一种基于字典的方法，它从大量预定义的子群体模型（每个模型都有自己的开始时间，形状等）开始，然后确定少量（学习）子群体的（正）权重。方法#2是混合$M$可拟合曲线，其中$M$（要使用的子群体数量）由用户给定。这两种方法是兼容的任何参数模型，在这里，我们展示了他们的使用第一（a）~高斯曲线，然后（b）~SIR轨迹。我们经验性地展示了所提出的方法的性能，首先是（i）对观察到的数据进行建模，然后是（ii）提前1到4周预测感染人数。在187个国家中，我们发现与经典SIR模型相比，字典方法的平均绝对百分比误差最低，方差也最低，而且，它是一个强有力的基线，优于许多为COVID-19预测开发的模型。
2023-02-09 cs.AI cs.LG
COVID-19 forecasting using new viral variants and vaccination effectiveness models
University of Hyogo（兵库大学）；Nagoya Institute of Technology（名古屋工业大学）
工作背景：最近，在疫苗接种率相对较高的地区报告了大量的每日COVID-19阳性病例;因此，加强疫苗接种已成为必要。此外，由不同变体和相关因素引起的感染尚未深入讨论。由于变异性大，协因子不同，很难使用传统的数学模型来预测COVID-19的发病率。研究方法：应用基于长短期记忆的机器学习方法对日新增阳性病例、重症病例、住院病例和死亡病例的时间序列进行预测。从疫苗接种率高的地区（如以色列）获得的数据与日本其他地区的当前数据混合，以考虑疫苗接种的潜在影响。症状性感染提供的保护还考虑了疫苗接种的群体有效性以及保护减弱和病毒变异体的比例和传染性。为了反映公众行为的变化，分析中还包括通过社交媒体进行的公共流动和互动。调查结果：比较在以色列特拉维夫观察到的和估计的新DPC，表征疫苗接种有效性和感染保护减弱的参数得到了很好的估计; δ变体感染后5个月后第二剂和两周后第三剂的疫苗接种有效性分别为0.24和0.95。使用提取的关于疫苗接种有效性的参数，在日本的三个县的新病例进行了复制。
2022-08-12 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
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
Curating a COVID-19 data repository and forecasting county-level death counts in the United States
University of California, Berkeley（加利福尼亚大学伯克利分校）；University of California, San Francisco（加利福尼亚大学旧金山分校）；Chan Zuckerberg Biohub（陈·扎克伯格生物中心）
随着COVID-19疫情的发展，准确的预测在为政策决策提供信息方面继续发挥着极其重要的作用。在本文中，我们介绍了我们对一个大型数据库的持续管理，该数据库包含来自一系列来源的COVID-19信息。我们利用这些数据对美国县级COVID-19累计死亡人数的短期轨迹进行预测，并制定相应的预测区间，最长可达两周。使用2020年1月22日至6月20日的数据，我们使用集成技术开发和组合多个预测，从而产生我们称为组合线性和指数预测器（CLEP）的集成。我们的个人预测器包括特定于县的指数和线性预测器，跨县汇集数据的共享指数预测器，使用邻近县数据的扩展共享指数预测器，以及基于人口统计的共享指数预测器。我们使用过去五天的预测误差来评估我们的死亡预测的不确定性，从而得出普遍适用的预测区间，最大（绝对）误差预测区间（MEPI）。MEPI在预测未来两周内累积记录的死亡人数时，各县平均的覆盖率超过94%。我们的预测目前正被非营利组织Response 4Life用于确定个别医院的医疗用品需求，并直接促进了全国医疗用品的分配。我们希望我们在https://covidseverity.com上的预测和数据存储库可以帮助指导必要的县特定决策，并帮助县为继续抗击COVID-19做好准备。
2020-08-09 cs.LG stat.AP
Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France
Électricité de France R&D（法国电力公司研发部）
2019冠状病毒病（COVID-19）大流行促使世界上许多国家的政府实施严格的封锁，所有非必要的企业都被关闭，公民被命令留在家中。这项政策的后果之一是电力消费模式发生了重大变化。由于负荷预测模型依赖日历或气象资料，并根据历史数据进行训练，因此未能捕捉封锁导致的重大中断，且自疫情开始以来表现欠佳。这使得电力生产的调度具有挑战性，并且对于电力生产商和电网运营商都具有高成本。在本文中，我们介绍了自适应广义可加模型使用卡尔曼滤波器和微调，以适应新的电力消费模式。此外，转移意大利封锁的知识，以预测法国的行为变化。所提出的方法应用于预测法国封锁期间的电力需求，在那里他们证明了自己的能力，以显着减少预测误差相比，传统的模型。最后，专家汇总用于利用每个预测的具体性，并进一步增强结果。
2020-09-14 cs.LG stat.AP stat.ML
Causal Effect Estimation with Global Probabilistic Forecasting: A Case Study of the Impact of Covid-19 Lockdowns on Energy Demand
Monash University（莫纳什大学）；Lauriston Girls’ School（劳里斯顿女子学校）
电力行业正在大力实施智能网格技术，以提高可靠性、可用性、安全性和效率。这一实施需要技术进步、标准和法规的制定以及测试和规划。智能电网负荷预测和管理对于减少需求波动和改善连接发电商、分销商和零售商的市场机制至关重要。在政策实施或外部干预期间，有必要分析其对电力需求影响的不确定性，以使系统能够对波动的需求做出更准确的反应。本文分析了外部干预对电力需求影响的不确定性。它实现了一个框架，该框架使用深度学习方法将概率和全局预测模型相结合，以估计干预措施的因果影响分布。通过预测受影响实例的反事实分布结果，然后将其与真实结果进行对比，来评估因果效应。我们将新型冠状病毒封城对能源使用的影响作为案例研究，以评估此干预措施对电力需求分布的非均匀影响。我们可以证明，在澳大利亚和一些欧洲国家最初的封锁期间，波谷的下降往往比波峰的下降更显著，而平均值几乎没有受到影响。
2022-10-20 cs.AI cs.LG econ.EM
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia
MEPhI National Research Nuclear University（国立研究核大学（莫斯科工程物理学院））
目前，COVID-19的演变使研究人员能够收集两年来积累的数据集，并将其用于预测分析。反过来，这使得有可能评估更复杂的预测模型的效率潜力，包括具有不同预测范围的神经网络。在本文中，我们根据美国和俄罗斯两个国家的区域数据，对不同类型的预测COVID-19传播动态的方法进行了一致的比较研究。我们使用众所周知的统计方法（例如，指数平滑），一种“明天如今天”的方法，以及一组经典的机器学习模型，这些模型是根据来自各个区域的数据进行训练的。与此同时，还考虑了基于长短期记忆（LSTM）层的神经网络模型，其训练样本汇总了来自美国和俄罗斯两个国家所有地区的数据。根据MAPE指标使用交叉验证进行效率评估。结果表明，对于以每日确诊病例数量大幅增加为特征的复杂时期，在两国所有地区训练的LSTM模型显示出最佳结果，在预测范围为14，28，29，2分别为42天。
2022-07-15 cs.AI cs.LG
PANDORA: Deep graph learning based COVID-19 infection risk level forecasting
Dalian University of Technology（大连理工大学）；National Tsing Hua University（国立清华大学）；Federation University Australia（澳大利亚联邦大学）
本文提出深度图学习模型PANDORA，通过融合地理位置关系、交通频率构成的高阶网络模体及气候、医疗、经济、人员流动等节点属性，并设计三种聚合器，实现对新冠疫情感染风险等级的准确预测，性能优于基线方法且收敛更快。
2024-06-07 cs.AI cs.CY cs.LG
Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases
National Institute of Technology, Delhi（德里国家理工学院）；Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校）
时间序列预测方法在估计流行病的传播中起着至关重要的作用。2019年12月爆发的冠状病毒疫情已经感染了全球数百万人，并继续蔓延。就在疫情曲线开始平缓时，许多国家再次开始出现病例上升，这被称为第二波大流行。因此，需要对时间序列预测模型进行彻底分析，以便为国家当局和卫生官员提供未来的即时战略。这项研究有三个目的：（a）建立传播总体趋势模型;（b）在确诊病例发病率最高的国家（美国、印度和巴西）建立10天的短期预测;（c）从数量上确定最适合于对时间序列的线性和非线性特征进行精确建模的算法。各国累计病例总数预测模型的比较是通过比较报告数据和预测值进行的，然后根据RMSE、MAE和MAPE值对算法（Prophet、Holt-Winters、LSTM、ARIMA和ARIMA-NARNN）进行排名。ARIMA和NARNN（非线性自回归神经网络）的混合组合给出了最好的结果，在选定的模型中，降低了RMSE，这被证明是近35.3%，比最流行的时间序列预测方法（ARIMA）。结果表明，ARIMA-NARNN模型的混合实现优于其他预测方法，如Prophet，Holt Winters，LSTM和ARIMA模型，可以封装数学数据集的线性和非线性模式。
2022-05-26 cs.LG cs.SI
Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic
University of Southern California（南加州大学）
COVID-19的准确预测对资源管理和制定应对疫情的战略至关重要。我们提出了一个异质感染率模型与人类流动性的流行病建模，一个初步的版本，我们已经成功地使用在DARPA大挑战2014年。通过对模型进行线性化并使用加权最小二乘法，我们的模型能够快速适应不断变化的趋势，并在美国国家和州的水平上提供对确诊病例的极其准确的预测。我们发现，在流行病的早期，使用旅行数据增加了预测。训练模型进行预测也可以学习流行病的特征。特别是，我们表明，模型参数随时间的变化可以帮助我们量化一个州或一个国家对疫情的反应。参数的变化也使我们能够预测不同的情况，例如如果我们忽视社交距离建议会发生什么。
2020-05-04 cs.LG q-bio.PE q-bio.QM
Time series forecasting of new cases and new deaths rate for COVID-19 using deep learning methods
Savitribai Phule Pune University（萨维特里拜·菲勒浦那大学）；Deakin University（迪肯大学）；Ferdowsi University of Mashhad（菲尔多西马什哈德大学）；K. N. Toosi University of Technology（图西理工大学）；Universidad de Granada（格拉纳达大学）；University of Bojnord（博季努尔德大学）；Brno University of Technology（布尔诺理工大学）；Technische Universität Dresden（德累斯顿工业大学）；Obuda University（欧布达大学）；Norwegian University of Life Sciences（挪威生命科学大学）
2019年12月发现了第一例2019冠状病毒病（COVID-19）。它已在世界范围内传播，导致了持续的流行病，给许多国家带来了限制和代价。预测这一时期的新病例和死亡人数可以是预测未来所需费用和设施的有用步骤。这项研究的目的是预测未来100天内提前一天、三天和七天的新病例和死亡率。每n天（而不是每天）预测一次的动机是研究降低计算成本并仍然实现合理性能的可能性。在时间序列的实时预测中可能会遇到这种情况。六种不同的深度学习方法在世界卫生组织网站上采用的数据上进行了检查。三种方法是LSTM，卷积LSTM和GRU。然后考虑每种方法的双向扩展，以预测澳大利亚和伊朗国家的新发病例和新发死亡率。这项研究是新颖的，因为它对上述三种深度学习方法及其双向扩展进行了综合评估，以预测COVID-19新病例和新死亡率时间序列。据我们所知，这是首次将Bi-GRU和Bi-Conv-LSTM模型用于COVID-19新发病例和新发死亡病例时间序列的预测。以图表和弗里德曼统计检验的形式对这些方法进行了评价。结果表明，双向模型具有较低的误差比其他模型。给出了几种误差评价指标，对各种模型进行了比较，最后确定了双向方法的优越性。这项研究可能对对抗COVID-19的组织和确定其长期计划有用。
2021-12-25 cs.CV cs.LG
Fast and Accurate Forecasting of COVID-19 Deaths Using the SIkJ$α$ Model
University of Southern California（南加州大学）
预测COVID-19的影响对设计政策以应对疫情至关重要。已经提出了许多方法，特别是在国家和州一级预测报告的病例和死亡。这些方法中的许多是基于传统的流行病学模型，其依赖于模拟或贝叶斯推断来同时一次学习多个参数。这使得它们容易过度拟合和执行缓慢。我们提出了一个扩展模型SIkJ $α$预测死亡，并表明它可以考虑许多复杂的流行过程的影响，但被简化为几个参数，使用快速线性回归学习。我们还提出了一个评估我们的方法对七种方法目前正在使用的疾病预防控制中心，根据他们的两个星期的预测在不同的时间在大流行。我们证明，我们的方法实现了更好的均方根误差相比，这七种方法在大多数的评估期间。此外，在一台双核台式机上，我们的方法仅需3.18秒即可调整超参数，学习参数并生成美国所有州报告病例和死亡的100天预测。184个国家/地区的总执行时间为11.83秒，所有美国县（$>$ 3000）的总执行时间为101.03秒。
2020-07-13 cs.LG physics.soc-ph q-bio.PE
Evaluating COVID 19 Feature Contributions to Bitcoin Return Forecasting: Methodology Based on LightGBM and Genetic Optimization
University of Mannouba（马努巴大学）；Petrozavodsk State University（彼得罗扎沃茨克国立大学）
本研究提出结合LightGBM与遗传算法的框架，验证COVID-19指标可显著提升比特币收益预测精度，其中疫苗接种指标贡献最大，为危机时期的金融决策提供新工具。
2025-07-31 cs.AI cs.LG econ.GN
Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy
University of Ferrara（费拉拉大学）；Heriot-Watt University（赫瑞斯-沃德大学）
本文提出结合仓室模型与不确定性的疫情预测数据增强策略，通过合成数据训练PINNs与NAR两类神经网络，经意大利伦巴第COVID-19疫情模拟验证，可有效提升预测鲁棒性。
2025-11-14 cs.LG cs.NA math.NA
Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models
The University of New South Wales（新南威尔士大学）
为了准确预测COVID-19感染的区域传播，该研究提出了一种新的混合模型，该模型将长短期记忆（LSTM）人工递归神经网络与动态行为模型相结合。若干因素及控制策略影响病毒传播，而导致COVID-19感染传播的混杂变量所产生的不确定性相当大。该模型考虑了多种因素的影响，以提高预测十大受影响最严重的国家和澳大利亚的病例和死亡人数的准确性。结果表明，该模型与试验数据吻合较好。它不仅提供准确的预测，而且还估计系统在不确定性下的日常行为。混合模型在有限的可用数据下优于LSTM模型。混合模型的参数进行了优化，使用遗传算法为每个国家，以提高预测能力，同时考虑到区域属性。由于建议的模型可在考虑遏制政策的情况下准确预测COVID-19传播，因此能够用于政策评估、规划和决策。
2020-05-24 cs.LG cs.NE physics.soc-ph
A Study of Data-driven Methods for Adaptive Forecasting of COVID-19 Cases
KIOS Research and Innovation Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越研究与创新中心）
本文研究数据驱动的增量学习方法，通过按病毒波次分析、特征提取和回溯窗口等设置，使模型适应COVID-19传播的非平稳特性，实现次日、7日和14日病例数的准确预测。
2023-09-18 cs.LG physics.soc-ph q-bio.PE
Attention-Based Ensemble Pooling for Time Series Forecasting
University of Maryland（马里兰大学）
提出基于注意力的集成池化模型，通过学习权重对候选预测进行加权平均，在非平稳 Lorenz `63 方程预测中表现优异，但在 COVID-19 死亡预测中未持续超越现有方法。
2023-10-24 cs.LG nlin.CD
Time Series Forecasting of HIV/AIDS in the Philippines Using Deep Learning: Does COVID-19 Epidemic Matter?
Technological Institute of the Philippines（菲律宾理工学院）；Bukidnon State University（布基农州立大学）；Northern Iloilo State University（北伊洛伊洛州立大学）
该研究利用多层感知器神经网络对菲律宾HIV/AIDS时间序列进行预测，发现到2030年累计病例将达145,273例，并指出COVID-19疫情干扰使该国难以实现可持续发展目标3，需继续加强ART项目以落实联合国90-90-90目标。
2024-01-11 cs.LG cs.NE
Simulating Using Deep Learning The World Trade Forecasting of Export-Import Exchange Rate Convergence Factor During COVID-19
我们所说的贸易通常是指国家和地区之间的货物交换。国际贸易是经济繁荣指数的晴雨表，每个国家都过度依赖资源，因此国际贸易必不可少。贸易对全球健康危机至关重要，可以拯救生命和生计。通过从国家网站NZ Tatauranga Aotearoa收集名为“COVID-19对贸易的影响”的数据集，我们使用深度学习模型开发了一个关于COVID-19对世界贸易影响的可持续预测流程。在研究中，我们给出了一个180天的贸易预测，其中准确预测了2019冠状病毒病期间每日进出口的起伏。为了实现这一预测，我们收集了2015年1月1日至2021年5月30日所有国家、所有商品和所有运输系统的数据，并恢复了2019冠状病毒病期间未来180天的世界贸易状况。深度学习方法在深度观察领域受到了投资者和研究人员的同等关注。本研究利用长短期记忆模型预测全球贸易。时间序列分析有助于了解给定的资产、证券或经济如何随时间变化。时间序列分析在过去的分析中起着重要的作用，可以得到对未来的不同预测，并且可以观察到某些因素会影响一个特定的变量。通过时间序列，可以观察各种经济变化或贸易影响如何随时间变化。通过审查这些变化，人们可以了解未来应采取的步骤，一个国家可以相应地在进出口方面更加谨慎。从我们的时间序列分析来看，可以说LSTM模型在贸易方面对未来世界进出口形势给出了非常有风度的思考。
2022-01-23 cs.LG q-fin.ST
Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement
University of Maine（缅因大学）
准确预测县级COVID-19确诊病例对优化医疗资源至关重要。预测新出现的疫情构成了一个特殊的挑战，因为许多现有的预测技术从历史季节趋势中学习。具有基于LSTM的细胞的递归神经网络（RNN）是模型的逻辑选择，因为它们具有学习时间动态的能力。在本文中，我们采用了国家和县级流感模型，TDEFSI-LONLY，提出了在王等。[l2020]国家和县级COVID-19数据。我们发现，该模型对当前的大流行预测不佳。我们分析了两个星期的预测能力的TDEFSI-LONLY模型与正则化技术的组合。TDEFSI-LONLY模型的有效训练需要数据增强，为了克服这一挑战，我们利用SEIR模型并对此模型进行了县间混合扩展以模拟足够的训练数据。此外，我们提出了一个替代预测模型，{ \it县级流行病学推理递归网络}（\alg{}），它在国家确诊病例上训练LSTM骨干，以学习低维时间模式，并利用时间分布的密集层来学习单个县确诊病例每天的变化，为期两周。我们发现，最好的，最坏的，和中位数的状态预测使用CLEIR-Net模型分别是纽约州，南卡罗来纳州和蒙大拿州。
2020-07-01 cs.LG physics.soc-ph q-bio.PE
Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study
Public Health Ontario（安大略省公共卫生局）；Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·拉纳公共卫生学院）；University of Toronto（多伦多大学）；York University（约克大学）
本研究评估ARIMA、随机森林、XGBoost模型，提出MLAMA集成方法，基于安大略省COVID-19数据验证其预测性能更优，支持按操作条件选择预测模型。
2026-09-01 cs.LG stat.AP
Forecasting COVID-19 spreading trough an ensemble of classical and machine learning models: Spain's case study
Instituto de Física de Cantabria (IFCA), CSIC-UC（坎塔布里亚物理研究所（IFCA），西班牙国家研究委员会-坎塔布里亚大学）
本文融合发病率、疫苗、流动与天气数据，集成经典种群模型和多种机器学习模型预测西班牙 COVID-19 疫情，证明集成预测优于单一模型。
2022-08-12 cs.AI cs.LG
Cross-Country Learning for National Infectious Disease Forecasting Using European Data
KIOS Research and Innovation Center of Excellence（KIOS研究与创新中心）
本文提出了一种基于欧洲多国数据的传染病预测方法，通过跨国家学习提升预测性能，尤其在数据有限时效果显著。
2026-09-21 cs.LG q-bio.PE
Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting
House of Energy Markets and Finance（能源市场与金融研究院）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
我们介绍了IEEE数据端口竞赛的获胜方法，即提前一天的电力需求预测：后COVID范式。日前负荷预测方法是基于多点预测模型的在线预测组合。它包含四个步骤：i）数据清洗和预处理，ii）假日调整程序，iii）个体预测模型的训练，iv）通过平滑Bernstein在线聚合（BOA）的预测组合。该方法灵活，可快速适应COVID-19期间和之后发生的新能源系统情况。单个预测模型的范围从相当简单的时间序列模型到复杂的模型，如广义加性模型（GAM）和lasso估计的高维线性模型。它们有效地结合了自回归、日历和天气效果。所有步骤都包含新的概念，有助于所提出的方法的出色的预测性能。这尤其适用于假日调整程序和完全自适应平滑BOA方法。
2021-07-13 cs.CE cs.LG cs.SY
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
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
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
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
