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
Simultaneous estimation of the effective reproduction number and the time series of daily infections: Application to Covid-19
ETH Zürich(苏黎世联邦理工学院)
提出一种贝叶斯方法,通过新颖的MCMC算法联合估计每日新感染数和有效再生数,在Covid-19数据上比三步法更准确。
2026-06-01 stat.AP stat.ME
Integrated Time Series Summarization and Prediction Algorithm and its Application to COVID-19 Data Mining
本文提出了一种简单的方法,根据所有时间序列的整个集合的统计数据,从一组多个相关的时间序列中提取每个时间序列的压缩表示。这是通过一个分层的算法,首先生成一个字母表的形状的聚类数据的质心的分割的基础上,这些形状的标签被分配给每个单一的时间序列的分割,通过最近邻搜索使用无约束的动态时间扭曲作为距离测量,以处理非均匀的时间序列长度。由此,为每个时间序列分配标签序列。最后一个标记序列的完成允许预测各个时间序列。该方法基于两个全球COVID-19数据集进行评估,第一个是每日净病例数(每日新增感染人数减去每日治愈人数),第二个是截至2020年4月27日的COVID-19每日死亡人数。第一个数据集涉及不同国家的249个时间序列,每个长度为96。第二个数据集包括264个时间序列,每个长度为96。根据在现有数据中发现的异常情况,主张采取分散的封锁退出战略。
2020-05-01 cs.LG stat.AP stat.ML
A time series method to analyze incidence pattern and estimate reproduction number of COVID-19
2019年底,中国武汉爆发了持续的冠状病毒病(COVID-19)大流行。它已经影响了30多万人,全球死亡人数接近13000人。由于它对全球公共卫生构成巨大威胁,因此确定该疾病的传播速度至关重要。在这项研究中,我们提出了一个时间序列模型来分析COVID-19疫情发生率的趋势模式。我们还将有关全面或部分封锁的信息(如有)纳入模型中。该模型结构简洁,并使用适当的诊断措施,我们表明,一个时间依赖的二次趋势成功地捕捉疾病的发病率模式。我们还估计了不同国家的基本再生产数,发现除了美国之外,其他国家的基本再生产数是一致的。上述统计分析有助于了解疫情的发展趋势,并有助于了解一个地区所处的流行病学阶段。这有可能有助于促进不同国家应对COVID-19疫情的政策。
2020-03-24 q-bio.PE stat.AP
Fitting a stochastic model of intensive care occupancy to noisy hospitalization time series during the COVID-19 pandemic
本文提出基于迁入-死亡过程的随机模型,利用公开住院与ICU床位占用时间序列估计入院和出院速率,并通过UCI数据验证其可靠性。
2023-07-17 stat.AP stat.ME
Non-Stationary Time Series Model for Station Based Subway Ridership During Covid-19 Pandemic (Case Study: New York City)
2020年的COVID-19疫情对交通系统造成了突然冲击,特别是纽约市的地铁乘客模式。通过统计模型了解地铁乘客量的时间模式在这种冲击中至关重要。然而,许多现有的统计框架可能不适合分析疫情期间的乘客量数据集,因为在此期间可能会违反一些建模假设。在本文中,利用变点检测程序,我们提出了一个分段平稳的时间序列模型来捕捉地铁客流量的非平稳结构。具体而言,该模型由几个独立的站为基础的自回归综合移动平均(ARIMA)模型连接在一起,在某些时间点。此外,数据驱动算法用于检测2019冠状病毒病大流行之前和期间的乘客模式变化以及估计模型参数。焦点的数据集是随机选择的纽约市地铁站的每日乘客量。拟合这些数据集的建议模型增强了我们对外部冲击期间乘客量变化的理解,无论是在均值(平均)变化还是时间相关性方面。
2022-01-28 stat.AP
Time Series Analysis in American Stock Market Recovering in Post COVID-19 Pandemic Period
本研究基于三大股指ETF数据,运用LSTM等深度学习方法分析后疫情时期美股趋势,发现市场持续下跌,并提出了有证据支持的LSTM配置方法。
2022-12-10 q-fin.ST stat.AP
Time Series Analysis of COVID-19 Infection Curve: A Change-Point Perspective
在本文中,我们通过分段线性趋势模型对COVID-19累计确诊病例和死亡病例的轨迹(以对数标度)进行建模。该模型通过变点自然地捕获了流行病增长率的相变,并且由于其半参数性质而进一步享有很大的可解释性。在方法论方面,我们提出了新生的自归一化(SN)技术(Shao,2010),以测试和估计非平稳时间序列线性趋势中的单个变点。我们进一步将基于SN的变点测试与NOT算法相结合(Baranowski等人,2019年),以实现多个变点估计。使用所提出的方法,我们分析了30个主要国家的COVID-19累计病例和死亡的轨迹,并发现了有趣的模式,这些模式对不同国家的大流行应对措施的有效性具有潜在的相关影响。此外,基于变点检测算法和灵活的外推函数,我们设计了一个简单的COVID-19两阶段预测方案,并展示了其在预测美国累计死亡人数方面的良好性能。
2020-07-09 econ.EM physics.soc-ph stat.AP
Cluster-based dual evolution for multivariate time series: analyzing COVID-19
本文提出了一种基于聚类的方法来分析多元时间序列的演变,并将其应用于COVID-19大流行。每一天,我们都根据病例和死亡人数将国家分为几组。集群的总数和各个国家的集群成员是通过算法确定的。我们研究了这两个数量随时间的变化,证明了病例和死亡演变的密切相似性。病例计数的集群数量变化先于死亡计数变化32天。另一方面,有一个最佳的偏移16天的最大的一致性集群之间的分组,确定了一个新的方法比较亲和矩阵。考虑到这一抵消,我们确定了从COVID-19病例到死亡进展的异常国家。这种分析有助于突出最大和最小的公共政策,以尽量减少一个国家的COVID-19死亡率。
2020-06-14 math.DS physics.soc-ph q-bio.PE
Rapidly evaluating lockdown strategies using spectral analysis: the cycles behind new daily COVID-19 cases and what happens after lockdown
谱分析表征振荡时间序列行为,如周期,但准确的估计需要合理数量的观察。许多国家目前的COVID-19时间序列都很短:封锁前和封锁后的时间序列更短。在这样的系列中准确估计潜在的有趣的周期似乎遥不可及。我们解决的问题,获得准确的估计,从短时间序列使用最近的贝叶斯谱融合方法。在这里,我们显示,许多国家转换后的每日新冠肺炎病例通常包含三个周期,波长约为2.7、4.1和6.7天(每周)。我们发现,较短的周期被抑制后锁定。封锁前后的差异表明,每周效应至少部分是由于非疫情因素,而两个较短的周期似乎是疫情固有的。不受约束的新病例呈指数级增长,但内部循环结构导致病例周期性下降。这表明,封锁的成功可能只有通过每日病例下降四次或更多才能表明。流行病时间序列的谱学习有助于了解流行病的过程,帮助评估干预措施,并协助预测。光谱融合是一种能够融合不同采样率下记录的光谱的通用技术,它可以应用于来自许多学科的广泛的时间序列。
2020-04-16 q-bio.PE stat.AP
Clustering US States by Time Series of COVID-19 New Case Counts with Non-negative Matrix Factorization
COVID-19在美国各州的传播模式因隔离措施和重新开放政策的不同而有很大差异。我们建议通过非负矩阵分解(NMF),然后在NMF的基础上进行k-均值聚类程序,根据每日新确诊病例计数将美国各州聚类为不同的社区。采用交叉验证方法来选择NMF的秩。将该方法应用于3月22日至7月25日的整个研究期间,我们将49个大陆州(包括哥伦比亚特区)分为7组,其中两组包含一个州。为了研究聚类结果随时间的动态变化,从3月22日至3月28日期间开始,以一周为增量连续应用相同的方法。结果表明,从5月30日开始的一周内,集群出现了一个变化点,这可能是隔离措施和重新开放政策的综合影响。
2021-01-15 stat.AP
Autoregressive Moving Average and Generalized Autoregresive Moving Average in Covid-19 Confirmed Cases in Indonesia
自回归移动平均和广义自回归移动平均是统计建模中常用的两种方法。本研究使用这种方法,因为该方法使用上一期间的数据来模拟本期的数据。此外,该技术经常用于数据预测。常用的数据是计数数据。计数数据通常是最常导致数据不扩散的数据。因此,发展了时间序列建模方法,其中之一是通过算术序列进行建模。本研究旨在从印度尼西亚确诊的COVID 19阳性病例中获得最佳建模结果。他们是根据最小的Aikake信息标准值,对印度尼西亚新冠肺炎确诊病例进行最佳建模后得出的结果。
2022-01-14 stat.AP
COVID-19 Forecasts Using Internet Search Information in the United States
随着COVID-19肆虐全球,准确预测疾病传播对于态势感知、资源分配和公共卫生决策至关重要。除了美国疾病控制和预防中心(CDC)收集的传统疾病监测数据外,来自互联网的大数据(如在线搜索量)先前已被证明包含跟踪传染病动态的有价值信息。在这项研究中,我们评估了使用相关查询的互联网搜索量来跟踪和预测COVID-19大流行的可行性。我们发现COVID-19死亡趋势与“失去味觉”等与饮食相关的查询的搜索量之间存在强烈关联。然后,我们进一步开发了一个流感跟踪模型,通过将搜索量信息与COVID-19时间序列信息相结合,预测美国国家层面未来4周的COVID-19死亡人数。与基线时间序列模型相比,国家层面的误差减少了20%,这让我们受到鼓舞,我们利用跨州跨分辨率时空框架,从各州、地区和全国的搜索量和COVID-19报告中汇集信息,额外构建了州层面的COVID-19死亡模型。然后,ARGOX的这些变体以赢家通吃的集合方式进行汇总,以产生最终的州级4周预报。数值实验表明,我们的方法稳定优于时间序列基线模型,并达到了最先进的性能之间的公开可用的基准模型。总的来说,我们发现,疾病动态和相关的公众搜索行为在COVID-19大流行期间共同演变,在利用历史病例/死亡以及时空跨区域信息的同时捕获它们的依赖关系将使美国国家和州一级的预测稳定而准确。
2021-11-02 stat.AP
Time Series Analysis and Correlation of Subway Turnstile Usage and COVID-19 Prevalence in New York City
在本文中,我们显示了纽约市大都会交通管理局提供的纽约市地铁旋转栅门使用数据与纽约市卫生局报告的COVID-19死亡和病例之间的强相关性。转门使用数据不仅显示了城市地铁的使用情况,还显示了人们的活动,这些活动促进了2020年3月至5月期间COVID-19城市居民的大规模流行。虽然这种相关性是显而易见的,但以前没有提供任何证据。在这里,我们证明了这种相关性,通过应用程序的长短期记忆神经网络。我们发现,COVID-19流行率与死亡的相关性考虑了报告死亡的潜伏期和症状期。在建立了这种相关性后,我们使用自回归综合移动平均模型估计在报告的死亡人数减少后COVID-19死亡人数和病例数接近零的日期。我们还通过回溯数据集来估计第一例病例和死亡发生的日期,并将其与报告的日期进行比较。
2020-08-30 physics.soc-ph stat.AP
Vector quantisation and partitioning of COVID-19 temporal dynamics in the United States
人口中病原体的统计动态取决于一系列因素:人口密度,有效性和对社会距离的投资,公共政策措施和非药物干预措施(NPI)只是影响各州病例数量的因素的一些例子。本文概述了对美国COVID-19病例的时间序列矢量量化和分区的分析,使用软DTW(动态时间规整)k均值聚类和基于k形的聚类算法来识别随时间推移的病例计数的内部一致聚类。识别与时间相关的变化的特征类型可以导致识别时间序列集合内的模式。反过来,这可以帮助辨别一个地区传染动态的未来,并通过计算集群重心来确定最有可能的集群轨迹,为公共卫生决策提供信息。
2020-08-02 q-bio.QM stat.AP stat.ME
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
COVID-19 incidence in the Republic of Ireland: A case study for network-based time series models
本文评估广义网络自回归(GNAR)模型在爱尔兰26县两阶段COVID-19预测中的表现,发现其优于忽略网络结构的ARIMA模型,且网络密度相似时对架构具鲁棒性。
2024-06-05 stat.AP
The Ockham's razor applied to COVID-19 model fitting French data
本文提出了一个基于数据的简单模型,用于拟合法国Covid-19大流行演变的可用数据。关于法国大陆13个地区的时间序列已被认为是拟合和验证模型。一个只有两个参数的极其简单的二维模型被证明能够重现法国不同地区的时间序列,包括COVID-19导致的每日死亡人数、住院人数、重症监护和急诊次数、每日阳性检测人数和其他指标。这些结果可能有助于激发一场关于更复杂的模型是否适合再现和预测大流行演变的辩论,因为尽管从机理的角度来看是相关的,但它们可能导致不可识别性问题。
2020-07-21 physics.soc-ph stat.AP
Causal analysis of Covid-19 spread in Germany
在这项工作中,我们研究了自新冠肺炎大流行开始以来,德国各地区之间在新冠肺炎传播方面的因果关系,并考虑了不同联邦州实施的限制政策。我们提出并证明了一个新的定理,用于时间序列数据的因果特征选择方法,对潜在混杂因素具有鲁棒性,我们随后将其应用于Covid-19病例编号。我们介绍了有关病毒在德国的传播和限制措施的因果影响的调查结果,讨论了各种政策在遏制传播中的作用。由于我们的结果是基于相当有限的目标时间序列(只有报告的病例数),在解释它们时应谨慎。然而,令人鼓舞的是,如此有限的数据似乎已经包含了因果信号。这表明,随着更多数据的可用,我们的因果方法可能有助于对政治干预对COVID-19发展的有意义的因果分析,从而也有助于发展理性和数据驱动的干预措施选择方法。
2020-08-03 stat.AP
An NLP-Assisted Bayesian Time Series Analysis for Prevalence of Twitter Cyberbullying During the COVID-19 Pandemic
University of Florida(佛罗里达大学)
本文利用NLP模型和贝叶斯时间序列分析,研究新冠疫情期间推特上网络欺凌的 prevalence 及其季节性变化。
2023-03-01 cs.LG cs.SI stat.AP
Modelling COVID-19 -- I A dynamic SIR(D) with application to Indian data
我们提出了一个流行病模型,采用自适应动态三室(四状态)SIR(D)模型。我们的方法在精神上类似于非参数曲线拟合,并自动适应关键的外部因素,如干预措施,同时保留了标准SIR(D)模型的简约性。通过在选定的滞后期内使感染、恢复和死亡数量的总残差平方和最小化,获得模型参数的初始动态时间估计。然后应用几何平滑器以获得估计的最终时间序列。这些估计数用于获得对这一流行病的关键特征(即“繁殖数”)的动态时间稳健估计。我们用2020年3月14日至8月31日期间的印度COVID-19数据说明了我们的方法。36个州和中央直辖区的时间序列数据图显示,该流行病的预后明显存在地区间差异。这也是由基本参数的估计数,包括36个区域的生殖数量。由于这一点,SIR(D)模型,动态的或其他的,对国家的总体数据是不适合强大的本地预测。模型估计的时间序列使我们能够进行每日、每周和长期预测,包括预测带的构建。我们获得了很好的协议之间的实际数据和模型预测的数据在区域一级。我们估计目前的繁殖数量在三个地区(安得拉邦,马哈拉施特拉邦和北方邦)超过2,在13个地区在1.5和2之间。这些区域中的每一个都经历了一个单独的轨迹,这通常涉及冲击的初始阶段,随后是相对稳定的较低水平的再生数。
2020-09-10 stat.AP stat.ME
Scalable model selection for count time series with structural breaks: application to solid-organ transplantation during and after COVID-19 in the USA and Italy
University of Trento(特伦托大学);Sapienza, University of Rome(罗马智慧大学);Italian National Institute of Health(意大利国家健康研究所);Khalifa University(哈利法大学);Cleveland Clinic at Abu Dhabi(阿布扎比克利夫兰诊所);Italian National Transplant Center, Italian National Institute of Health(意大利国家移植中心,意大利国家健康研究所)
本文研究了新冠疫情期间及之后美国和意大利器官移植数据的计数时间序列模型选择,通过BIC筛选模型并评估预测性能,发现辅助变量对捐赠量影响有限,强调了疫情后持续挑战的重要性。
2026-05-07 stat.AP
COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF
University of California, Los Angeles(加州大学洛杉矶分校)
预测COVID-19的传播和遏制是更广泛的科学界目前面临的最重要的挑战。困难的主要来源之一是每天可获得的COVID-19病例数据非常有限,除少数例外,大多数国家目前处于“指数传播阶段”,因此缺乏可用于预测传播和遏制之间的阶段性转变的信息。在本文中,我们提出了一种新的方法来预测COVID-19的传播基于字典学习和在线非负矩阵分解(在线NMF)。其核心思想是同时学习多个国家新的日常病例的短进化实例的字典模式,以便在字典模式中捕获它们的潜在相关结构。我们首先从整个时间序列中通过小批量学习来学习这样的模式,然后通过在线NMF进一步使它们适应时间序列。随着我们逐步适应和改进学习的字典模式以适应最近的观察结果,我们还使用它们通过部分拟合进行一步预测。最后,通过递归地应用一步预测,我们可以将我们的预测外推到不久的将来。我们的预测结果可以直接归因于学习的字典模式,因为它们的可解释性。
2020-04-20 cs.LG math.OC stat.ML
A comparison of short-term probabilistic forecasts for the incidence of COVID-19 using mechanistic and statistical time series models
ETH Zurich(苏黎世联邦理工学院);University of Bern(伯尔尼大学);Imperial College London(伦敦帝国理工学院);LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);National University of Singapore(新加坡国立大学);National University Health System(国立大学医疗系统);University of Copenhagen(哥本哈根大学)
本研究对比基于更新方程的机理模型与统计时间序列模型对美国六州新冠发病率的短期概率预测,发现统计模型预测准确性不低于机理模型且更能捕捉波动性,指出机理模型仍有其他应用价值。
2023-05-01 cs.LG q-bio.PE stat.AP
Coronavirus (COVID-19): ARIMA based time-series analysis to forecast near future
COVID-19是一种新型冠状病毒,目前是全球主要威胁。它已经感染了全球100多万人,导致数十万人死亡。在这种严重的情况下,预测未来的感染病例以支持疾病预防和帮助医疗服务准备非常重要。根据这一概念,我们开发了一个模型,然后将其用于预测印度未来的COVID-19病例。该研究表明,今后几天病例将呈上升趋势。时间序列分析也显示病例数量呈指数增长。人们认为,目前的预测模型将帮助政府和医务人员为即将到来的情况做好准备,并使医疗保健系统做好更多准备。
2020-04-16 q-bio.PE q-bio.QM stat.CO
A Vector Autoregression Prediction Model for COVID-19 Outbreak
自2019年西雅图北部一个县有两人携带COVID-19(冠状病毒)阳性以来,美国目前的总病例数(美国)超过一千二百万在有效变量下预测大流行趋势对于帮助找到控制流行病的方法至关重要。基于现有文献,我们提出了一个有效的向量自回归(VAR)时间序列模型来预测阳性COVID-19病例。根据美国冠状病毒数据提供了美国的真实数据预测。我们研究的关键信息是,如果没有有效的控制,大流行的情况将变得更糟。
2021-02-06 stat.AP
Multivariate time series approximation by multiple trajectories of a dynamical system. Applications to Internet traffic and COVID-19 data
利用动力系统模型的多个轨迹为我们提供了几个好处,在时间序列的近似。对于短期预测,可以通过随时切换到新的轨迹来实现高精度。不同的长期趋势(倾向于不同的固定点)的相图特征的各种情况下的过程实现外部性的影响。动力系统的相图分析有助于了解方程是否正确描述了现实。我们还将动力系统方法(在\cite{R5}中讨论)扩展到具有外部控制的动力系统。我们说明了这些想法的帮助下,新的例子租赁物业HOMES.mil平台数据。我们还比较了HOMES.mil和Wikipedia.org平台的定性特征以及两个平台用户的相应差异。在我们最后一个COVID-19数据的例子中,我们讨论了各国确诊感染病例、康复病例和死亡病例的短期预测的高准确性。
2020-07-15 math.ST physics.soc-ph stat.TH
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
A Novel Deep Learning Model for Hotel Demand and Revenue Prediction amid COVID-19
University of Central Florida(中佛罗里达大学)
新型冠状病毒疫情对旅游及酒店业造成重大影响。旅游限制和居家令等公共政策严重影响了旅游活动和服务业的经营和盈利。为此,必须开发一个可解释的预测模型,以支持管理和组织决策。我们开发了DemandNet,这是一种新颖的深度学习框架,用于预测COVID-19大流行影响下的时间序列数据。该框架首先选择嵌入在时间序列数据中的顶级静态和动态特征。然后,它包括一个非线性模型,可以提供对以前看到的数据的可解释的见解。最后,开发了一个预测模型,以利用上述特征进行稳健的长期预测。我们使用美国八个城市的每日酒店需求和收入数据对该框架进行了评估。我们的研究结果显示,DemandNet的表现优于最先进的模型,并能准确预测COVID-19疫情对酒店需求和收入的影响。
2022-03-08 cs.LG stat.AP
Revealing Spatial-temporal Taxi Demand Patterns after Vaccination in COVID-19 Pandemic
COVID-19疫情对我们的日常生活产生了前所未有的影响。随着疫苗接种率的提高,常态逐渐回归,打车需求也是如此。然而,在COVID-19疫苗接种开始后,出租车需求的时空模式变化以及影响该需求恢复的因素仍不清楚。利用芝加哥的多个时间序列数据,包括疫情严重程度、疫苗接种进度和出租车出行量,分析了出租车需求的恢复模式。结果显示,接种COVID-19疫苗后,芝加哥市大部分社区的出租车出行量和平均出行距离都有所增加。出租车需求在机场和靠近市中心的地区比芝加哥其他地区恢复得更快。考虑到数据的复杂性,本文采用Pearson系数和动态时间规整(DTW)两种方法来研究不同时间序列之间的相关性。研究发现,出租车需求的恢复不仅与疫情严重程度有关,还与疫苗接种进度密切相关。然后,采用时滞相关分析方法研究了疫苗接种进度与出租车需求之间的超前和滞后关系。在第一剂疫苗接种期开始后、第二剂疫苗接种期前,出租车需求开始恢复。但直到4月中旬,打车需求的恢复速度才超过疫苗接种率的增长。
2022-10-06 stat.AP
A Rolling Optimized Nonlinear Grey Bernoulli Model RONGBM(1,1) and application in predicting total COVID-19 infected cases
非线性灰色伯努利模型NGBM(1,1)是近年来发展起来的一种灰色模型,它在不同领域有着广泛的应用,主要是由于它在处理具有非线性变化的小时间序列数据时的准确性。为了充分提高该模型的精度,本文提出了一种新的模型,即滚动优化非线性灰色伯努利模型RONGBM(1,1)。该模型将滚动机理与所有模型参数(指数、背景值和初始条件)的同时优化相结合。通过预测越南2013年至2018年的国内生产总值,这一新模型的准确性得到了显著证明,然后将其应用于预测全球每日的COVID-19感染病例总数。
2020-08-13 eess.SP stat.AP stat.ME
Nowcasting of COVID-19 confirmed cases: Foundations, trends, and challenges
2019冠状病毒病(COVID-19)已成为国际关注的突发公共卫生事件,影响全球200多个国家和地区。截至2020年9月30日,它已导致大流行爆发,全球确诊感染人数超过3300万,报告死亡人数超过100万。几种统计、机器学习和混合模型此前曾试图预测受影响严重的国家的COVID-19确诊病例。由于时间序列数据的极端不确定性和非平稳性,COVID-19确诊病例的预测已成为一项极具挑战性的工作。对于单变量时间序列预测,文献中有各种统计和机器学习模型。但是,流行病预测有一个可疑的记录。由于数据输入不足、建模假设存在缺陷、估计值敏感性高、没有纳入流行病学特征、现有干预措施效果的过去证据不足、缺乏透明度、错误、缺乏确定性以及缺乏关键学科的专业知识,其失败变得更加突出。本章重点评估可预测各国每日COVID-19病例的不同短期预测模型。本章以预测准确性的实证研究的形式,提供证据表明,目前还没有一种通用的方法可以准确地预测大流行数据。尽管如此,预测者的预测对于医疗资源的有效分配是有用的,并将作为政府决策者的早期预警系统。
2020-10-10 q-bio.PE stat.AP
Counterfactual time series analysis for the air pollution during the outbreak of COVID-19 in Wuhan
针对武汉新冠疫情封控,研究基于SARIMA、LSTM和XGBOOST对2017—2022年空气质量数据开展反事实时间序列分析,验证静默措施显著降低空气污染并比较模型表现。
2023-08-15 stat.AP
Day Level Forecasting for Coronavirus Disease (COVID-19) Spread: Analysis, Modeling and Recommendations
于二零二零年三月中旬,COVID-19等冠状病毒被宣布为国际流行病。超过118个国家记录了超过125000例确诊病例和4,607例死亡病例。不幸的是,冠状病毒疫苗如果真的有效,预计至少需要18个月。此外,COVID-19疫情可能会变异成更具侵略性的形式。有关COVID-19传播的日级信息对于衡量这种新病毒在全球的行为至关重要。因此,本研究使用时间序列模型和数学公式对COVID-19受影响病例的日级预测模型进行比较。预测模型和数据强烈表明,在不强制隔离、限制旅行和公共集会以及关闭学校、大学和工作场所(社会距离)的国家,冠状病毒病例数量呈指数级增长。
2020-03-15 q-bio.PE stat.AP
An exploratory time series analysis of total deaths per month in Brazil since 2015
在本文中,我们使用时间序列分析技术调查了自2015年以来巴西每月死亡总人数的历史序列,以评估COVID-19大流行是否导致该序列的生成机制发生任何变化。迄今为止获得的结果表明,没有统计学显著影响。
2020-08-26 eess.SP stat.AP
An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System
The Alan Turing Institute(艾伦·图灵研究所);University of Warwick(华威大学)
大伦敦管理局(GLA)对COVID-19大流行的应对措施之一汇集了多个大规模且异构的数据集,捕捉伦敦金融城的流动性、交通和交通活动,以更好地了解“繁忙程度”并实现有针对性的干预措施和有效的政策制定。作为Odysseus项目的一部分,我们描述了一个早期预警系统,并引入了一个基于预期的网络扫描统计数据,以帮助GLA和伦敦交通局了解人们在多大程度上遵循了政府的COVID-19指南。我们明确对待的情况下,地理位置固定的时间序列数据位于(道路)网络,主要集中在监测首都大区域的动态。此外,我们还专注于重要时空区域的检测和报告。我们的方法是扩展基于网络的扫描统计(NBSS),使其基于预期(EBP),并通过使用随机过程的时间序列预测,这使我们能够量化度量的不确定性在EBP和NBSS框架。我们介绍了EBP模型中使用的度量的一个变体,该模型侧重于识别活动比预期更安静的时空区域。
2020-12-08 cs.LG physics.soc-ph stat.AP
COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction
Georgia Institute of Technology(佐治亚理工学院)
新型冠状病毒SARS-CoV-2引起的新型冠状病毒COVID-19在全球蔓延,对人类构成重大威胁。随着COVID-19疫情的持续发展,预测局部疾病的严重程度对于先进的资源分配至关重要。本文提出了一种名为COUptage(COUnty aggRegation mixup AugmEntation)的方法,利用现代深度学习技术,为美国每个县的COVID-19相关死亡人数生成两周前的短期预测。具体来说,我们的方法采用了自然语言处理中的自注意模型,称为Transformer模型,以捕获时间序列中的短期和长期依赖关系,同时享受计算效率。我们的模型充分利用了与COVID-19相关的确诊病例、死亡病例、社区流动趋势和人口统计信息的公开信息,并可以将相应的县级预测汇总生成州级预测。我们的数值实验表明,我们的模型达到了最先进的性能之间的公开可用的基准模型。
2021-06-10 cs.LG stat.AP
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
Measuring the Effectiveness of US Monetary Policy during the COVID-19 Recession
2020年3月开始的COVID-19经济衰退导致全球经济活动出现前所未有的下滑。为了对抗这场衰退,中央银行的决策者们采取了扩张性的货币政策。本文探讨了美联储(Fed)采取的措施是否有效地提振了实际经济活动并稳定了金融市场。为了在高频下测量这些影响,我们提出了一种新的混合频率向量自回归(MF-VAR)模型。这种模式使我们能够在统一的框架内结合每周和每月的信息。我们的模型结合了一组宏观经济总量,如工业生产,失业率和通货膨胀与高频信息,从金融市场,如股票价格,利率利差和每周信息的美联储资产负债表的大小。后一组高频时间序列用于动态内插月度时间序列以获得每周宏观经济指标。我们使用这种设置来模拟在没有货币刺激的情况下的反事实。结果表明,与无政策基准情景相比,货币扩张导致了更高的产出增长和股票市场回报,更有利的长期融资条件和美元贬值。
2020-07-30 econ.EM stat.AP
Assessing the Time Evolution of COVID-19 Effective Reproduction Number in Brazil
本文采用贝叶斯方法估计巴西不同地理层级的COVID-19有效再生数R(t),并与每日报告感染数移动平均比较,发现局部监测更能反映差异并支撑非药物干预政策设计。
2023-06-01 stat.AP
Interrupted Time Series Analysis Of Count Data With Nuisance Interruptions
New York University Grossman School of Medicine(纽约大学格罗斯曼医学院)
研究如何用中断时间序列分析模拟政策等干预对公共卫生的影响,针对其依赖单研究单元无法调整其他中断的问题,提出用贝叶斯堆叠对干扰性中断影响进行反事实预测,并用于估计德克萨斯州堕胎禁令影响。
2026-07-23 stat.AP
Mobility and the spatial spread of SARS-CoV-2 in Belgium
研究分析了Belgium 43个地区的mobility与COVID-19数据,发现人员物理移动与SARS-CoV-2早期传播存在强相关性,且该相关性随病毒扩散而减弱。
2023-01-19 physics.soc-ph stat.AP
Multifractal cross-correlations of bitcoin and ether trading characteristics in the post-COVID-19 time
与价格波动不同,加密货币交易的时间结构很少成为系统研究的主题。为了填补这一空白,我们分析了价格回报、时间单位内的平均交易次数以及交易量的去趋势相关性,这些数据基于代表两种主要加密货币的高频数据:比特币和以太币。我们应用多重分形去趋势互相关分析,这被认为是最可靠的方法来识别时间序列中的非线性相关性。我们发现,在我们的研究中考虑的所有数量显示出明确的多重分形结构,从单变量(自相关)和双变量(互相关)的角度。我们研究了比特币-以太币在同时记录的信号中的交叉相关性,以及在时滞信号中的交叉相关性,其中一种加密货币的时间序列相对于另一种加密货币发生了偏移。这样的移位在短时间尺度上部分地抑制了互相关,但并没有完全消除它们。我们没有观察到任何定性的不对称的结果的两个选择的领先资产。同步和滞后时间序列的互相关在足够长的尺度上变得相同。
2022-08-02 econ.EM physics.data-an q-fin.ST
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
COVID-19 Hospitalizations Forecasts Using Internet Search Data
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, USA(佐治亚理工学院工业与系统工程学院)
随着COVID-19在全球蔓延,新的COVID-19变种不断出现,可靠的COVID-19住院人数实时预测对于公共卫生决策ICU床位、呼吸机和人员等医疗资源分配至关重要,以准备应对COVID-19大流行的激增。受公众搜索行为与住院率之间强相关性的启发,我们扩展了先前提出的流感跟踪模型ARGO(带有GOGO搜索数据的自回归),以预测未来2周的全国和州级COVID-19新入院率。利用COVID-19相关的时间序列信息和谷歌搜索数据,我们的方法能够稳健地捕捉新的COVID-19变体的激增,并在国家和州一级进行自我纠正。基于我们在12个月比较期内的回顾性样本外评估,我们的方法比从COVID-19预测中心收集的最佳替代模型平均减少了15\%的误差。总体而言,我们表明,我们的方法是灵活的,自我纠正的,强大的,准确的,可解释的,使其成为一个潜在的强大工具,以协助卫生保健官员和决策,为当前和未来的传染病爆发。
2022-02-03 cs.LG physics.med-ph stat.AP
"Back to the future" projections for COVID-19 surges
我们认为,来自早期COVID-19激增的国家的信息可以用来为另一个国家的当前模型提供信息,然后生成我们所说的“回到未来”(BTF)预测。我们表明,这些预测可以用来准确预测未来的COVID-19激增之前,每天的感染曲线的拐点。我们发现,在来自世界各地所有人口稠密的大陆的12个不同国家,我们的方法通常可以预测未来的激增,而传统的方法总是预测未来的激增。然而,正如预期的那样,BTF预测无法准确预测由于新变体的出现而出现的激增。为了生成BTF预测,我们使用了一个匹配计划,异步时间序列与响应教练SIR模型相结合。
2022-02-17 physics.data-an q-bio.PE q-bio.QM
Influence of Mobility Restrictions on Transmission of COVID-19 in the state of Maryland -- the USA
University of Maryland Baltimore School of Medicine(马里兰大学巴尔的摩医学院)
背景:新型冠状病毒COVID-19于2020年1月首次在美国被发现。为了遏制疾病的传播,3月中旬,不同的州发布了强制性留在家中(SAH)的命令。这些非药物干预措施是根据以往的经验,如1918年的流感疫情。因此,我们决定研究限制流动对减少COVID-19传播的影响。研究方法:我们设计了一项生态时间序列研究,我们的暴露变量为2020年3月至12月马里兰州的流动模式,我们的结果变量为同期的COVID-19住院情况。我们建立了一个极端梯度提升(XGBoost)集成机器学习模型,并对马里兰州不同地区的滞后COVID-19住院率与流动量进行了回归。结果如下:我们发现,当流动性增加五倍时,COVID-19住院率增加了18%,当流动性进一步增加十倍时,同样增加了43%。结论:我们的研究结果表明,流动性与COVID-19病例的发病率之间存在正线性关系。这些研究结果与其他研究结果部分一致,表明流动限制的好处。尽管需要更详细的方法来准确了解作为应对COVID-19大流行的一部分的流动限制的好处和局限性。
2021-12-01 cs.LG stat.AP
Deterioration Prediction using Time-Series of Three Vital Signs and Current Clinical Features Amongst COVID-19 Patients
New York University(纽约大学);NYU Abu Dhabi(纽约大学阿布扎比分校);NYU Tandon(纽约大学坦登工程学院)
本研究提出一种基于三项生命体征时间序列和基本临床特征的预后模型,预测COVID-19患者未来3-24小时病情恶化,在37,006名患者上实现AUROC 0.808-0.880,证明最小特征集可用于准确预测。
2022-10-12 cs.LG eess.SP stat.AP
Clustering patterns connecting COVID-19 dynamics and Human mobility using optimal transport
社交距离及待在家中是已知可有效遏止COVID-19等大流行病在特定人群中传播的少数措施之一。这些措施之间的依赖关系及其对疾病发病率的影响可能因人口而异。我们描述了一个新的计算框架,用于测量和比较美国150多个发病率相对较高的城市中人员流动与新冠肺炎病例之间的时间关系。我们使用了一个新的应用程序的最优运输计算之间的距离的规范化模式诱导的双变量时间序列为每对城市。因此,我们确定了10个具有相似时间依赖性的城市集群,并计算了Wasserstein重心来描述每个集群的整体动态模式。最后,我们使用特定城市的社会经济协变量来分析每个聚类的组成。
2020-07-21 physics.soc-ph stat.AP
COVID-19 and the gig economy in Poland
我们使用了一个基于智能手机被动收集的数据的数据集,该数据集覆盖了几乎整个目标人群,以衡量第一波COVID-19疫情对波兰零工经济的影响。特别是,我们专注于运输(Uber,Bolt)和交付(Wolt,Takeaway,Glover,DeliGoo)应用程序,这些应用程序可以区分这个市场的需求和供应部分。基于贝叶斯结构时间序列模型,我们估计了第一波COVID-19疫情对活跃司机和快递员数量的因果影响。与反事实对照相比,Wolt和Glover的相对增加显著(15%和24%),Uber和Bolt的相对减少轻微(-3%和-7%)。Uber和Bolt的变化可以部分解释为一项新法律(所谓的Uber Lex)的前景,该法律已于2019年宣布,旨在规范平台司机的工作。
2021-07-23 econ.GN q-fin.EC stat.AP
Effectiveness and Compliance to Social Distancing During COVID-19
在没有药物干预措施来遏制COVID-19传播的情况下,各国依靠一些非药物干预措施来抗击第一波大流行。最普遍的是居家令,其目的是限制人与人之间的身体接触,从而减少继发感染的数量。在这项工作中,我们使用一组详细的流动性数据来评估这些干预措施对缓解美国病毒传播的影响,通过COVID-19相关死亡来衡量。为了建立这种影响,我们使用两个时间序列之间的格兰杰因果关系的概念。我们发现存在单向格兰杰因果关系,从每天在家花费时间的中位数百分比到每天与COVID-19相关的死亡人数,滞后2周。我们进一步分析了人口普查区一级的流动模式,以确定人口的哪些部分可能会遇到困难,坚持和遵守社会距离措施。这一信息很重要,因为它可以推动旨在帮助这部分人口的干预措施。
2020-07-19 cs.CY stat.AP
Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown
Indian Institute of Technology Guwahati(印度古瓦哈蒂印度理工学院);Indian Institute of Technology Kharagpur(印度克勒格布尔印度理工学院);UNSW Sydney(新南威尔士大学悉尼分校)
空气污染对农业、经济、交通事故和健康有着广泛的影响。在本文中,我们使用新的深度学习方法在印度德里的选定部分进行短期(多步)空气质量预测。我们的深度学习方法包括长短期记忆(LSTM)网络模型,其中还包括一些最新版本,如双向LSTM和编码器-解码器LSTM模型。我们使用多变量时间序列方法,试图预测空气质量的10个预测范围,覆盖总的80小时,并提供一个长期(提前一个月)的预测与量化的不确定性。我们的研究结果表明,尽管COVID-19在完全和部分封锁期间对空气质量产生影响,但多变量双向LSTM模型提供了最佳预测。在全面封城期间,COVID-19对空气质量的影响显著;然而,其后空气质量恶化的情况出现前所未有的增长。
2021-02-21 cs.LG stat.AP
Disentangling Community-level Changes in Crime Trends During the COVID-19 Pandemic in Chicago
最近利用城市一级时间序列进行的研究表明,在全球范围内,COVID-19遏制政策实施后,几起犯罪案件有所下降。利用芝加哥社区一级的数据,这项工作旨在促进我们对公共干预如何在更精细的空间尺度上影响犯罪活动的理解。分析采用两步走的方法。首先,它通过结构贝叶斯时间序列估计了芝加哥通过四种犯罪类别(即,入室盗窃、袭击、与毒品有关的犯罪和抢劫)。一旦模型检测到趋势变化的方向,幅度和重要性,Firth的逻辑回归用于调查与分析第一步中发现的统计上显着的犯罪减少相关的因素。统计结果首先表明,犯罪趋势的变化因社区和犯罪类型而异。这表明,除了总量模型的结果之外,还有一个以不同模式为特征的复杂情况。第二,回归模型提供了混合的调查结果与显着减少犯罪的相关性:几个关系有相反的方向与人口的犯罪是唯一的因素,是稳定和积极的显着减少犯罪。
2020-11-11 econ.GN physics.soc-ph q-fin.EC
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