論文の概要: A comparison of short-term probabilistic forecasts for the incidence of
COVID-19 using mechanistic and statistical time series models
- arxiv url: http://arxiv.org/abs/2305.00933v1
- Date: Mon, 1 May 2023 16:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 12:45:18.167142
- Title: A comparison of short-term probabilistic forecasts for the incidence of
COVID-19 using mechanistic and statistical time series models
- Title（参考訳）: 機械的・統計的時系列モデルを用いたCOVID-19の短期確率予測の比較
- Authors: Nicolas Banholzer, Thomas Mellan, H Juliette T Unwin, Stefan
Feuerriegel, Swapnil Mishra, Samir Bhatt
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.031837435365532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-term forecasts of infectious disease spread are a critical component in
risk evaluation and public health decision making. While different models for
short-term forecasting have been developed, open questions about their relative
performance remain. Here, we compare short-term probabilistic forecasts of
popular mechanistic models based on the renewal equation with forecasts of
statistical time series models. Our empirical comparison is based on data of
the daily incidence of COVID-19 across six large US states over the first
pandemic year. We find that, on average, probabilistic forecasts from
statistical time series models are overall at least as accurate as forecasts
from mechanistic models. Moreover, statistical time series models better
capture volatility. Our findings suggest that domain knowledge, which is
integrated into mechanistic models by making assumptions about disease
dynamics, does not improve short-term forecasts of disease incidence. We note,
however, that forecasting is often only one of many objectives and thus
mechanistic models remain important, for example, to model the impact of
vaccines or the emergence of new variants.
- Abstract（参考訳）: 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。
短期予測のための異なるモデルが開発されているが、相対的な性能に関するオープンな疑問が残っている。
本稿では,統計時系列モデルの予測と更新方程式に基づく一般的な機械力学モデルの短期確率予測を比較した。
私たちの経験的比較は、最初のパンデミック年における米国6大州でのCOVID-19の毎日発生率のデータに基づいています。
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による予測の少なくとも全体としては正確である。
さらに、統計時系列モデルはボラティリティを捕えやすい。
以上より,疾患のダイナミクスを仮定して機械モデルに統合した領域知識は,疾患の発生率の短期予測を改善しないことが示唆された。
しかし、予測は多くの場合、多くの目的の1つに過ぎず、例えばワクチンの影響や新しい変異の出現をモデル化するために、機械モデルが重要なままである。
関連論文リスト
- Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳（メタデータ） (2024-03-20T10:07:51Z) - 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) - 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) - LoMEF: A Framework to Produce Local Explanations for Global Model Time
Series Forecasts [2.3096751699592137]
複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。
しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。
本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
論文 参考訳（メタデータ） (2021-11-13T00:17:52Z) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - 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) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳（メタデータ） (2020-07-22T13:18:00Z) - 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)
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。