Forecasting mortality using Google trend
本文研究了以世界第一大经济体美国为代表的发达国家的动力模型。对死亡原因的早期监测至关重要,这可以为预防登革热等重大疾病做好准备。研究报告称,一些搜索查询,特别是谷歌趋势上与疾病相关的术语是必不可少的。为此,我们使用Wiener Cascade Model对主要死因或Google Trends中的扩展或更通用的术语进行解码。利用检索词的时间序列和小波尺度图,将检索查询模式分为不同的周期性层次。结果包括解码趋势、特征重要性和解码模式的准确性。关于预测因子的三个场景包括使用所有19个特征、前十个最周期性的预测因子或具有最高权重的十个预测因子。所有检索查询均涵盖2013年12月至2018年12月。结果表明,权重较高的搜索词和具有年周期模式的搜索词对死亡词的预测贡献较大,但只有权重较高的预测词才对死亡词的预测有价值。
2019-02-01 cs.SI stat.AP
Tides Need STEMMED: A Locally Operating Spatio-Temporal Mutually Exciting Point Process with Dynamic Network for Improving Opioid Overdose Death Prediction
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院工业与系统工程学院);Amazon.com, Inc(亚马逊公司);Department of Industrial & Systems Engineering, University of Washington(华盛顿大学工业与系统工程系);MGH Institute for Technology Assessment, Harvard Medical School(哈佛医学院麻省总医院技术评估研究所);Sloan School of Management, Massachusetts Institute of Technology(麻省理工学院斯隆管理学院)
本研究提出STEMMED模型,一种带动态网络的时空相互激发点过程,用于预测阿片类药物过量死亡趋势,通过逐节点分解实现分布式学习,并在马萨诸塞州数据上较传统模型平均降低60%预测误差。
2025-10-16 stat.AP
A Powerful Modelling Framework for Nowcasting and Forecasting COVID-19 and Other Diseases
COVID-19大流行凸显了延迟报告是有效疾病监测和决策的重大障碍。在没有及时数据的情况下,可采用考虑到延误的统计模型,对病例或死亡进行即时预报和预测。我们讨论了COVID-19和其他疾病可用数据中系统性和随机性变异的四个关键来源,并严格评估了当前最先进的方法,以适当地分离和捕获这种变异性。我们提出了一个用于纠正延迟报告的一般时空层次框架,并展示了其在巴西COVID-19和严重急性呼吸道感染病例的每日英国医院死亡病例中的应用。我们比较我们的方法,竞争模型的理论灵活性和定量指标,从滚动临近预报实验模仿一个现实的操作场景。基于一致的和令人信服的线索,即时预报的准确性,偏见和精度,我们证明,我们的方法是目前最好的做法,纠正延迟报告。
2020-11-18 stat.AP
Forecasting multiple density-valued time series
Macquarie University(麦考瑞大学)
针对密度值时间序列的非负和积分为一约束,提出基于中心化对数比率和累积分布函数的两种变换,结合多人口建模与差距建模,在日本死亡数据上评估预测精度并给出建议。
2026-10-02 stat.AP stat.ME
Modeling and forecasting subnational age distribution of death counts
Macquarie University(麦考瑞大学);University of York(约克大学)
本文提出方法建模和预测次国家死亡计数的年龄分布,通过非线性空间转换提升预测准确性,为人口统计和精算研究提供支持。
2026-04-22 stat.AP stat.ME
Visualizing and forecasting subnational life-table death counts: Gap forecasting methods
Macquarie University(麦考瑞大学);University of Foggia(福贾大学)
该研究针对次国家级生命表死亡人数的性别和地区差距问题,提出预测框架,结合累积分布函数变换,利用日本数据评估预测准确性,有助于深入理解死亡率差异的驱动因素。
2026-07-09 stat.AP stat.ME
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
Forecasting Age Distribution of Deaths: Cumulative Distribution Function Transformation
针对生命表死亡人数非线性约束问题,提出累积分布函数变换预测方法,利用日本数据验证表明其预测精度优于现有成分数据分析法,有助于人口学家与精算师的应用。
2025-04-01 stat.AP stat.ME
Forecasting age distribution of death counts: An application to annuity pricing
我们考虑一个组成数据分析方法来预测死亡人数的年龄分布。使用从人类死亡率数据库中获得的澳大利亚特定年龄段生命表死亡计数,组成数据分析方法比Lee-Carter方法、Hyndman-Ullah方法和两种朴素随机游动方法产生更准确的1 - 20步提前点和区间预测。人口统计学家对提高时期寿命表死亡人数的预测准确性估计生存概率和预期寿命,精算师对确定不同年龄和期限的临时年金价格非常感兴趣。虽然我们关注的是临时年金价格,但我们考虑的是长期合同,这些合同使年金几乎是终身的,特别是当进入时的年龄足够高时。
2019-08-05 stat.AP stat.ME
Bootstrap prediction intervals for the age distribution of life-table death counts
提出基于动态因子模型的非参数自助法,通过中心化对数比变换和两阶段函数主成分分析构建生命表死亡计数年龄分布的预测区间,有效量化预测不确定性,并在澳英数据上验证了优越的区间预测精度。
2025-07-16 stat.AP stat.ME
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
Public University of Navarre(纳瓦拉公立大学);Institute for Advanced Materials and Mathematics (INAMAT2)(先进材料与数学研究所)
本文提出多变量时空共享组件模型,用于在区域和国家层面预测癌症发病率,以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
Prediction Regions for Poisson and Over-Dispersed Poisson Regression Models with Applications to Forecasting Number of Deaths during the COVID-19 Pandemic
基于当前由SARS-CoV-2病毒引起的冠状病毒病(COVID-19)大流行,以及每日死亡人数和累积死亡人数的预测问题,本文研究了泊松回归模型和过离散泊松回归模型下预测区域或区间的构造。对于泊松回归模型,几个预测区域的开发和它们的性能进行了比较,通过模拟研究。该等方法应用于预测美国因COVID-19而导致的每日及累计死亡人数的问题。为了检查他们的表现相对于实际发生的情况,直到5月15日的每日死亡数据被用来预测6月1日的累积死亡人数。据观察,相对于泊松回归模型,观察到的数据存在过度分散。因此,提出了一个过分散泊松回归模型。这种新的模型建立在生存分析中的脆弱性思想之上,并通过一个额外的参数来量化过度分散。Poisson回归模型是过离散Poisson回归模型中的隐模型,并且当过离散参数增大到无穷大时作为极限情况获得。给出了截至7月2日的数据,到7月16日,美国因COVID-19死亡的累计人数的预测区域。最后,本文讨论了所提出的程序的局限性,并提到了开放的研究问题,以及在长期预测时的危险和陷阱,重点是这种流行病的事件,预见和不可预见的,可能会对点预测和预测区域产生巨大影响。
2020-07-07 stat.AP stat.ME
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
Density-valued time series: Nonparametric density-on-density regression
本文提出一种基于非参数函数对函数回归的概率密度函数预测方法,解决了密度数据非线性受约束导致传统预测困难的问题,并从理论和实验上验证了其准确性与有效性。
2025-10-12 stat.AP stat.ME
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
Forecasting age distribution of deaths across countries: Life expectancy and annuity valuation
Macquarie University(麦考瑞大学)
本文通过对比累积分布函数和中心对数比变换,评估了不同国家死亡概率的预测准确性,为人口统计学和精算学提供重要参考。
2026-03-18 stat.AP
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
本文探讨了长期时间序列预测评估中以指标为中心的模式问题,提出多维评估视角以促进更符合实际需求的预测方法。
2026-03-09 cs.LG stat.ML
Multi-dimensional Mortality (MDMx): Sex-Age-Specific Model Life Tables, Fitting, Prediction from Summary Mortality Indicators, and Forecasting
The Ohio State University(俄亥俄州立大学)
本文提出MDMx模型,整合了生命表、拟合、预测和预测四种方法,通过张量分解实现性-年龄特异性输出的结构一致性。
2026-03-25 stat.AP stat.ME
Spatiotemporal Dynamics, Nowcasting and Forecasting of COVID-19 in the United States
流行病建模是了解新型冠状病毒传播的重要工具,并最终有助于疾病预防、政策制定和资源分配。在这篇文章中,我们建立了经典的数学和统计模型之间的接口,并提出了一个新的时空流行病建模框架,研究时空模式的传染病传播。我们提出了一种通过惩罚样条逼近和重新加权最小二乘技术来估计模型的准似然方法。此外,我们提供了一个短期和长期的县级预测的感染/死亡人数为美国占控制措施,卫生服务资源,和其他地方的特点。利用时空分析,我们提出的模型增强了流行病学机制的动态和解剖的时空结构的传播疾病。为了评估与预测相关的不确定性,我们开发了一个基于自举预测路径包络的投影带。所提出的方法的性能进行了评估,通过仿真研究。我们应用所提出的方法对COVID-19在美国县和州两级的传播进行建模和预测。
2020-12-16 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
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
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
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
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
Trip Table Estimation and Prediction for Dynamic Traffic Assignment Applications
DATA61|CSIRO(联邦科学与工业研究组织数据61所);University of Technology, Sydney(悉尼科技大学)
研究的重点是估计和预测时变的起点到目的地(OD)的动态交通分配(DTA)模型的行程表。一个双层优化问题,制定和解决预先存在的需求矩阵和历史交通流量计数估计OD流量。然后将估计的需求作为时间序列OD需求预测模型的输入,以支持DTA模型进行短期交通状况预测。结果表明,所提出的OD需求估计方法具有很高的能力,以减少DTA模型的误差,通过迭代求解算法。此外,OD需求预测方法的适用性进行了调查,在澳大利亚悉尼的一个主要走廊的事件分析应用。
2019-06-11 cs.AI cs.LG eess.SP
Semi-parametric modeling of SARS-CoV-2 transmission using tests, cases, deaths, and seroprevalence data
适合流监测数据的机制模型对于了解疫情实时展开时的传播动态至关重要。然而,传输模型参数估计可能是不精确的,有时甚至是不可能的,因为监视数据是有噪声的,并且不能提供关于机械模型的所有方面的信息。为了部分克服这一障碍,贝叶斯模型已被提出来整合多个监控数据流。我们设计了一个模型框架,用于整合SARS-CoV-2诊断测试和死亡率时间序列数据,以及来自横断面研究的血清阳性率数据,并测试了各个数据流对推断和预测的重要性。重要的是,我们的发病率数据模型解释了所进行的测试总数的变化。我们模型的传输率,感染致死率比,和一个参数控制的真实情况下的发病率和阳性测试的分数之间的函数关系随时间变化的量和估计这些参数的变化非参数。我们比较我们的基础模型与修改后的版本,不使用诊断测试计数或血清阳性率数据,以证明包括这些经常未使用的数据流的效用。我们将贝叶斯数据整合方法应用于2020年3月至2021年2月在加利福尼亚州奥兰治县收集的COVID-19监测数据,发现截至2021年1月中旬,32- 72%的奥兰治县居民经历了SARS-CoV-2感染。尽管感染人数如此之高,但我们的研究结果表明,2021年1月冬季激增的突然结束是由于行为变化和高水平的自然免疫力积累。
2023-03-11 q-bio.PE stat.AP
Forecasting and decisions in the birth-death-suppression Markov model for wildfires
本文利用生灭抑制马尔可夫模型分析野火管理中的时间资源分配权衡,研究变化条件、动员延迟和不确定性下的最优抑制策略,结果与现代实践一致。
2024-09-12 math.OC physics.soc-ph stat.AP
EpiCovDA: a mechanistic COVID-19 forecasting model with data assimilation
我们介绍了一个最低限度的爆发预测模型,结合数据驱动的参数估计与变分数据同化。通过关注非线性疾病传播的基本组成部分,并在模型随机性简化为具有独立增量的过程的域中表示数据,我们设计了一种仅需要估计四个核心参数的方法。我们在COVID-19预测中说明了这种新方法。结果包括美国及其所有50个州、哥伦比亚特区和波多黎各的病例数和死亡预测。该方法计算效率高,并且不具有疾病或位置特异性。因此,只要有病例数和/或死亡数据,它也可适用于其他暴发或其他国家。
2021-10-09 q-bio.PE stat.AP
Conformal PID Control for Time Series Prediction
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
研究时间序列预测的不确定性量化问题,提出基于保形预测和控制理论的在线算法,以适应分布偏移等系统误差,并在多组预测实验中提升覆盖率且提供可扩展代码库。
2023-07-31 cs.LG cs.SY eess.SY
Real Time Monitoring and Forecasting of COVID 19 Cases using an Adjusted Holt based Hybrid Model embedded with Wavelet based ANN
本研究提出嵌入小波ANN的调整Holt混合模型用于COVID-19病例预测,对比多种基准模型验证效果,配套调整算法与性能指标,还涉及$R_0$估算与模型有效期研究,助力医疗资源配置与防疫决策。
2024-05-18 stat.AP stat.CO 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
Modelling a novel Coronavirus (COVID-19): A stochastic SEIR-HCD approach, with real-time parameter estimation & forecasting for Scotland
面对2020年的SARS-CoV 2疫情,公共卫生官员一直在寻找模型,不仅可以用来预测新病例的数量,还可以预测住院、重症监护和死亡的水平。在本文中,我们提出了一个随机房室模型,能够实时监测和预测的大流行病纳入多个流的真实世界的数据,报告的病例,测试强度,死亡,住院和重症监护占用。通过贝叶斯粒子滤波技术估计模型参数。该模型成功追踪了苏格兰COVID-19爆发的两波(2020年3月至6月和9月至11月)期间的关键变量(报告病例、重症监护和死亡)。2020年夏季的模型住院预测始终低于记录的数据,但与苏格兰健康保护局9月15日对报告标准的变更一致。大多数参数估计值在两波中是恒定的,但感染率和生殖数量在第一波的后期阶段下降,并从2020年7月开始再次增加。死亡率最初很高,但在2020年夏季下降,然后在11月再次上升。该模型还可用于提供短期预测。我们发现,2020年3月至6月期间的2周可预测性非常好,即使在大流行的早期阶段。该模型在2020年9月的病例数增加方面有所放缓,但在疫情后期预测再次改善。
2020-12-22 q-bio.PE stat.AP
Dynamic modeling of mortality via mixtures of skewed distribution functions
人们对预测死亡率越来越感兴趣。在这篇文章中,我们提出了一种新的动态贝叶斯方法建模和预测的死亡年龄分布,专注于一个狄拉克质量,高斯分布和斜正态分布的三个组成部分的混合物。根据指定的模型,死亡年龄分布的特征是通过与婴儿、成人和老年死亡率的主要方面相对应的七个参数来确定的。所提出的方法侧重于多个国家的连贯建模,并遵循贝叶斯方法进行推理,我们允许跨人群借用信息,并将参数缩小到一个共同的平均水平,隐含地惩罚不同的场景。跨年度的动态建模是通过一个层次的动态先验分布,可以描述每个死亡率组成部分的时间演变,并预测死亡年龄分布。多个国家的实证结果表明,所提出的方法优于流行的方法预测死亡率,提供了可解释的见解的死亡率的演变。
2021-12-17 stat.AP
A Compositional Approach to Modelling Cause-specific Mortality with Zero Counts
The Australian National University(澳大利亚国立大学);Macquarie University(麦考瑞大学)
针对死因别死亡计数中的零值问题,提出采用α-变换的CODA建模方法,并在英格兰、威尔士和美国数据上验证其预测精度优于对数比率变换。
2025-10-17 stat.AP
Shape-based Evaluation of Epidemic Forecasts
传统上,对正在发生的流行病的传染病预测是作为数字目标进行的、传达的和评估的--提前1、2、3和4周的病例、死亡和住院。虽然预测这些数字目标对评估疾病负担有很大价值,但我们认为,传播这一流行病的未来趋势(描述其形态)也有价值-例如,病例数是保持不变还是预计会激增。为了确保所传达的信息是有用的,我们需要能够评估预测形状与地面真实形状的匹配程度。而不是把这作为一个分类问题(一个出$n$形状),我们定义了一个转换的数值预测到"shapelet“-空间表示。在该表示中,每个维度对应于形状与感兴趣的形状之一(shapelet)的相似性。我们证明,这种表示满足的属性,两个形状,人们会认为是相似的映射接近对方,反之亦然。我们证明,我们的表述能够合理地捕捉COVID-19病例和死亡时间序列的趋势。有了这个表示,我们定义了一个评估措施和多个模型之间的协议的措施。我们还将多个模型的shapelet空间集合定义为它们的shapelet空间表示的平均值。我们表明,这个集合能够准确地预测COVID-19病例和趋势的未来趋势。我们还表明,模型之间的协议可以提供一个很好的指标预测的可靠性。
2022-11-11 q-bio.QM stat.AP
Chimeric forecasting: combining probabilistic predictions from computational models and human judgment
对传染源的轨迹进行预测可以帮助指导公共卫生决策。传统的预测方法将计算模型与结构化数据拟合,并生成预测分布。然而,人类判断可以访问与计算模型相同的数据,加上经验,直觉和主观数据。我们提出了一个嵌合集成-计算和人类的判断预测相结合-作为一种新的方法来预测的传染性病原体的轨迹。从2021年1月至2021年6月,我们每个月都要求两个通才群体,使用与COVID-19 Forecast Hub相同的标准,提交未来两周或三周美国国家层面的事件病例和死亡的预测分布,并将这些人类判断预测与提交给COVID-19 ForecastHub的计算模型的预测组合成嵌合集合。我们发现一个嵌合合奏相比,合奏包括只计算模型提高了预测的事件的情况下,并显示出类似的性能预测的事件死亡。嵌合系综是一种灵活的,支持性的公共卫生工具,并显示出有希望的结果预测的传染性病原体的传播。
2022-02-20 stat.AP
Global Short-Term Forecasting of Covid-19 Cases
COVID-19病例数量的持续增长给全球医疗服务带来压力。因此,准确的短期预测对支持国家一级的决策至关重要。各国采取的防治这一流行病的战略各不相同,造成实际病例数的不确定程度不同。因此,考虑数据的层次结构和适应额外的变化是至关重要的。我们引入了一个新的建模框架,以非常准确地描述大流行的过程,并为世界上每个国家提供短期的每日预测。我们表明,我们的模型可以提前六天生成高度准确的预测,并根据最近的事件使用估计的模型组件对国家进行聚类。我们介绍了统计的新颖性,在建模的自回归参数作为时间的函数,增加预测能力和灵活性,以适应每个国家。我们的模型还可用于预测死亡人数,研究协变量(如封锁政策)的影响,并为国家内较小的地区生成预测。因此,它对全球规划和决策具有重大影响。我们不断更新预测,并通过在线Shiny仪表板向世界任何国家免费提供所有结果。
2020-05-29 stat.AP stat.ME
Forecasting Mortality Rates: A Linear Mixed-Effects Model
Masaryk University(马萨里克大学)
本文提出用于单/多人群分年龄死亡率建模预测的线性混合效应模型,经HMD数据验证,其拟合精度、校准鲁棒性及预测表现均优于经典LC、LL模型。
2025-11-16 stat.AP
Learning and forecasting of age-specific period mortality via B-spline processes with locally-adaptive dynamic coefficients
本文提出一种具有局部自适应动态系数的B样条过程,通过Poisson对数正态模型和高斯状态空间近似实现年龄别死亡率的可解释建模与闭式Kalman预测,在点预测和区间校准上优于现有方法,并揭示了不同国家和年龄在历史时期及COVID-19期间的死亡率差异。
2024-01-12 stat.AP
Modeling and forecasting age-specific drug overdose mortality in the United States
本文提出药物成瘾的年龄结构模型,结合增强集合卡尔曼滤波(EnKF)分析1999-2020年美国过量致死数据,预测死亡率趋势并估计模型参数。
2023-03-28 q-bio.PE q-bio.QM stat.AP
Compositional data analysis for modelling and forecasting mortality using the α-transformation
Institute of Mathematical Sciences, Faculty of Science, Universiti Malaya(马来亚大学理学院数学科学研究所);Universiti Malaya Centre for Data Analytics, Universiti Malaya(马来亚大学数据分析中心);Center of Research for Statistical Modelling and Methodology, Faculty of Science, Universiti Malaya(马来亚大学理学院统计建模与方法研究中心)
本文提出基于α变换的非功能性CoDA模型,用于改进死亡率预测,证明其在多数情况下与CLR变换相当,并在部分情况下提升预测准确性。
2026-02-23 stat.AP
On the relationship between the Wasserstein distance and differences in life expectancy at birth
Cancer Registry Hamburg(汉堡癌症登记处)
本文探讨了瓦瑟斯坦距离与出生时预期寿命差异的关系,证明在生存函数不交叉的情况下,两者存在等价性。
2026-04-19 stat.AP
Forecasting drug overdose mortality by age in the United States at the national and county levels
本文提出融合CDC WONDER观测数据与年龄结构成瘾死亡模型的预测方法,在全国及洛杉矶县、库克县、纽约市五区预测分年龄药物过量死亡并估计关键流行病学指标。
2023-09-25 physics.soc-ph q-bio.PE stat.AP
Mid-Epidemic Forecasts of COVID-19 Cases and Deaths: A Bivariate Model applied to the UK
COVID-19疫情的演变伴随着有关潜在流行病学参数的证据不断积累。因此,利用这些信息提供流行病轨迹中期预测的模型是有潜力的。封锁干预措施的有效性也可以通过对后期流行病阶段进行建模来评估,可能使用多阶段流行病模型。分析流行病轨迹的常用方法包括现象学增长模型(如Richards)和易感染-恢复(SIR)隔室模型的变体。在这里,我们专注于一个实用的预测方法,适用于中期英国COVID数据,使用双变量雷诺模型(病例和死亡)。我们展示了信息先验在开发和估计模型中的实用性,并比较了新病例和死亡的过度分散数据的误差密度(Poisson-gamma,Poisson-lognormal,Poisson-logStudent)。我们使用交叉验证来评估中期预测。我们还考虑了封锁后的长期流行情况,以使用两阶段模型评估流行控制。拟合中期流行数据显示,Poisson-logStudent模型更好地拟合训练数据和更好的交叉验证性能。在封锁放松后,估计长期疫情数据的特点是长期缓慢下降,然后病例上升,这对有效遏制产生了怀疑。现象学模型的许多应用都是为了完成流行病。然而,仅仅根据这些模型与观测数据的吻合程度对它们进行评价,可能只能提供部分情况,对照实际趋势进行交叉验证也是有用的。同样,最好是对发生率而不是累积数据进行建模,尽管这提出了对经常不稳定的波动进行建模的适当误差密度的问题。因此,在评估替代误差假设时可能会有效…
2020-11-07 stat.AP
Preliminary study of mortality by cause and sociodemographic characteristics, municipality of San Francisco, Antioquia (Columbia), 2001-2010
目的:确定安蒂奥基亚省旧金山市2001-2010年死亡原因和社会人口特征的结构。方法学:通过DANE提供的电子媒体数据库从死亡事件的次要来源获得回顾性纵向数据的定量描述性研究。按死因组描述社会人口统计学变量,按性别和每年组的潜在寿命损失年数(APVP)绘制生命表〈动〉<动>,并计算死因。结果如下:外部原因和攻击,杀人,作为主要的死亡原因发生在研究的十年期间,特别是在男性中,死亡率较高,更有可能在此期间死亡和预期寿命较短。平均而言,2001-2010年,男性和外部原因造成的潜在寿命损失较多。结论:在过去十年中,男性的死亡率较高,原因包括外部原因、袭击、谋杀和年轻男性的比例较高。导致更多潜在寿命损失的死亡原因是外部原因。妇女在出生时和整个十年的预期寿命高于男子,因此,市政府必须分析这些死亡原因的现状,并执行有助于降低死亡率的公共政策,从而提高人口的预期寿命。
2019-09-15 q-bio.PE stat.AP
Drewnowski's index to measure lifespan variation: Revisiting the Gini coefficient of the life table
生命表<动>是一个集中指数,提供关于寿命变化的信息。它最初由经济学家提出,用于衡量收入和财富不平等,已被广泛用于人口研究,以调查死亡年龄的变化。我们专注于一个补充指标,Drewnowski的指数,这是作为衡量平等。我们研究它的数学性质,并分析随着时间的推移如何变化与预期寿命的变化。此外,我们确定了阈值年龄,低于该阈值年龄,死亡率的改善转化为寿命变化的减少,高于该阈值年龄,这些改善转化为寿命不平等的增加。我们说明了我们的理论研究结果,在Gompertz模型中模拟死亡率改善的情景。我们的实验证明了Drewnowski指数可以作为死亡率模式形状的指标。这些特性以及我们的分析结果支持研究多个物种的寿命变化以及预期寿命趋势。
2021-11-19 econ.GN q-bio.PE q-fin.EC
COVID-19 and Influenza Joint Forecasts Using Internet Search Information in the United States
随着COVID-19大流行的发展,严重的流感季节可能会伴随COVID-19病例和死亡病例的增加而发生,对医疗资源和公共安全造成严重负担。一个twindemic的后果可能是两种不同的感染在同一个人在同一时间的混合物,“氟”。面对“氟”的上升趋势,及时预测流感疫情和COVID-19疫情比以往任何时候都更加紧迫,因为准确的联合实时跟踪艾滋病卫生组织和政策制定者的充分准备和决策。在当前的大流行下,最先进的流感和COVID-19预测模型具有宝贵的领域信息,但在当前复杂的疾病动态下面临缺陷,例如两种疾病的症状和公共医疗寻求模式的相似性。受流感和COVID-19活动之间的内在联系的启发,我们提出了ARGOX-Joint-Ensemble,它允许我们将历史流感和COVID-19疾病预测模型结合到一个新的整体框架中,以处理流感和COVID共存的情况。我们的框架能够通过赢家通吃的整体方式强调从COVID相关或流感信号中学习。此外,我们的实验表明,我们的方法成功地使过去的流感预测模型适应当前的大流行,同时通过稳步超越替代基准方法来改进以前的COVID-19预测模型,并与公开的模型保持竞争力。
2022-02-05 cs.SI stat.AP