論文の概要: Empirical Quantitative Analysis of COVID-19 Forecasting Models
- arxiv url: http://arxiv.org/abs/2110.00174v1
- Date: Fri, 1 Oct 2021 02:31:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 02:08:19.807312
- Title: Empirical Quantitative Analysis of COVID-19 Forecasting Models
- Title（参考訳）: 新型コロナウイルス予測モデルの実証的定量分析
- Authors: Yun Zhao, Yuqing Wang, Junfeng Liu, Haotian Xia, Zhenni Xu, Qinghang
Hong, Zhiyang Zhou, Linda Petzold
- Abstract要約: 新型コロナウイルスは2020年初め以降、国際的に懸念される公衆衛生上の緊急事態となっている。
予測モデルはすべてのシナリオでベストであるように思える。
モデル選択は予測性能を決定する主要な要因である。
- 参考スコア（独自算出の注目度）: 7.744521846416669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: COVID-19 has been a public health emergency of international concern since
early 2020. Reliable forecasting is critical to diminish the impact of this
disease. To date, a large number of different forecasting models have been
proposed, mainly including statistical models, compartmental models, and deep
learning models. However, due to various uncertain factors across different
regions such as economics and government policy, no forecasting model appears
to be the best for all scenarios. In this paper, we perform quantitative
analysis of COVID-19 forecasting of confirmed cases and deaths across different
regions in the United States with different forecasting horizons, and evaluate
the relative impacts of the following three dimensions on the predictive
performance (improvement and variation) through different evaluation metrics:
model selection, hyperparameter tuning, and the length of time series required
for training. We find that if a dimension brings about higher performance
gains, if not well-tuned, it may also lead to harsher performance penalties.
Furthermore, model selection is the dominant factor in determining the
predictive performance. It is responsible for both the largest improvement and
the largest variation in performance in all prediction tasks across different
regions. While practitioners may perform more complicated time series analysis
in practice, they should be able to achieve reasonable results if they have
adequate insight into key decisions like model selection.
- Abstract（参考訳）: 新型コロナウイルスは2020年初め以降、国際的に懸念される公衆衛生上の緊急事態となっている。
この病気の影響を減らすには信頼できる予測が不可欠である。
これまで,統計モデル,コンパートメンタルモデル,ディープラーニングモデルなど,さまざまな予測モデルが提案されてきた。
しかし、経済や政府政策など、様々な地域をまたがるさまざまな不確定な要因から、全てのシナリオにおいて予測モデルが最善のものとは思えない。
本稿では,米国各地域で確認された症例と死亡の予測を,予測の地平線によって定量的に分析し,モデル選択,ハイパーパラメータチューニング,トレーニングに必要な時系列の長さといった評価指標を用いて,以下の3次元が予測性能(改善と変動)に与える影響を定量的に評価する。
ディメンションがパフォーマンス向上をもたらすならば、十分に調整されていない場合には、パフォーマンス上のペナルティもより厳しくなります。
さらに、モデル選択が予測性能を決定する主要な要因である。
さまざまな領域にわたる予測タスクにおいて、最大の改善と最大のパフォーマンス変化の両方を担っている。
実践者は実際により複雑な時系列分析を行うことができるが、モデル選択のような重要な決定について十分な洞察があれば、合理的な結果が得られるべきである。
関連論文リスト
- Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。
本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
論文 参考訳（メタデータ） (2024-06-12T17:39:16Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - A comparison of short-term probabilistic forecasts for the incidence of
COVID-19 using mechanistic and statistical time series models [15.031837435365532]
感染拡大の短期予測は、リスク評価と公衆衛生決定において重要な要素である。
一般的な力学モデルの短期確率予測と統計時系列モデルの予測を比較した。
平均的に、統計時系列モデルからの確率予測は、メカニスティックモデルからの予測の少なくとも全体としては正確であることがわかった。
論文 参考訳（メタデータ） (2023-05-01T16:37:43Z) - 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) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - A Worrying Analysis of Probabilistic Time-series Models for Sales
Forecasting [10.690379201437015]
確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。
販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
論文 参考訳（メタデータ） (2020-11-21T03:31:23Z) - Forecasting COVID-19 daily cases using phone call data [0.0]
本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。
提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
論文 参考訳（メタデータ） (2020-10-05T18:07:07Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - 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。