論文の概要: Comparison of Traditional and Hybrid Time Series Models for Forecasting
COVID-19 Cases
- arxiv url: http://arxiv.org/abs/2105.03266v1
- Date: Wed, 5 May 2021 14:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 01:08:57.440586
- Title: Comparison of Traditional and Hybrid Time Series Models for Forecasting
COVID-19 Cases
- Title（参考訳）: 新型コロナウイルス流行予測のための時系列モデルとハイブリッド時系列モデルの比較
- Authors: Samyak Prajapati, Aman Swaraj, Ronak Lalwani, Akhil Narwal, Karan
Verma, Ghanshyam Singh, Ashok Kumar
- Abstract要約: 2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。
流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。
したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
- 参考スコア（独自算出の注目度）: 0.5849513679510832
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Time series forecasting methods play critical role in estimating the spread
of an epidemic. The coronavirus outbreak of December 2019 has already infected
millions all over the world and continues to spread on. Just when the curve of
the outbreak had started to flatten, many countries have again started to
witness a rise in cases which is now being referred as the 2nd wave of the
pandemic. A thorough analysis of time-series forecasting models is therefore
required to equip state authorities and health officials with immediate
strategies for future times. This aims of the study are three-fold: (a) To
model the overall trend of the spread; (b) To generate a short-term forecast of
10 days in countries with the highest incidence of confirmed cases (USA, India
and Brazil); (c) To quantitatively determine the algorithm that is best suited
for precise modelling of the linear and non-linear features of the time series.
The comparison of forecasting models for the total cumulative cases of each
country is carried out by comparing the reported data and the predicted value,
and then ranking the algorithms (Prophet, Holt-Winters, LSTM, ARIMA, and
ARIMA-NARNN) based on their RMSE, MAE and MAPE values. The hybrid combination
of ARIMA and NARNN (Nonlinear Auto-Regression Neural Network) gave the best
result among the selected models with a reduced RMSE, which proved to be almost
35.3% better than one of the most prevalent method of time-series prediction
(ARIMA). The results demonstrated the efficacy of the hybrid implementation of
the ARIMA-NARNN model over other forecasting methods such as Prophet, Holt
Winters, LSTM, and the ARIMA model in encapsulating the linear as well as
non-linear patterns of the epidemical datasets.
- Abstract（参考訳）: 時系列予測手法は、流行の広がりを推定する上で重要な役割を果たす。
2019年12月の新型コロナウイルスの流行は、すでに世界中で数百万人を感染させており、今も続いている。
パンデミックのカーブが平ら化し始めた直後、多くの国が再び、パンデミックの第2波と呼ばれるケースの増加を目撃し始めた。
したがって、時系列予測モデルの徹底的な分析は、州当局や保健当局に将来の時代の即時戦略を提供するために必要である。
本研究の目的は次の3つである: (a) 拡散の全体傾向をモデル化すること; (b) 確認されたケース(米国、インド、ブラジル)が最も多い国で10日間の短期予測を生成すること; (c) 時系列の線形および非線形の特徴を正確にモデル化するのに最適なアルゴリズムを定量的に決定すること。
各国の総累積ケースの予測モデルの比較は、報告データと予測値を比較し、RMSE, MAE, MAPE値に基づいてアルゴリズム(Prophet, Holt-Winters, LSTM, ARIMA, ARIMA-NARNN)をランキングする。
アリマとnarnn(nonlinear auto-regression neural network)のハイブリッドな組み合わせは、rmseを低減した選択されたモデルの中で最高の結果をもたらし、最も一般的な時系列予測(arima)の方法の1つよりも35.3%高い値を示した。
その結果,ARIMA-NARNNモデルとProphet, Holt Winters, LSTM, ARIMAモデルとのハイブリッド実装の有効性が示された。
関連論文リスト
- Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳（メタデータ） (2020-07-14T07:04:57Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳（メタデータ） (2020-06-16T17:20:54Z) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳（メタデータ） (2020-05-24T10:43:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。