論文の概要: Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study

• arxiv url: http://arxiv.org/abs/2608.20406v1
• Date: Fri, 07 Aug 2026 19:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 05:49:59.220666
• Title: Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study
• Title（参考訳）: 適応型公衆衛生予測のための機械学習とARIMAモデルの比較評価とオンタリオ・COVID-19のケーススタディ
• Abstract要約: 公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。
• 参考スコア（独自算出の注目度）: 3.571803295833193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public health forecasts must respond to abrupt changes in surveillance data without over-extrapolating noise, reporting artifacts, or temporary trends. We evaluated autoregressive integrated moving average (ARIMA), random forest, and extreme gradient boosting (XGBoost) models using 190 weekly observations of publicly available Ontario COVID-19 case counts from January 2020 to October 2023. Rolling-origin time-series cross-validation preserved temporal order during model tuning and evaluation. Performance was assessed across three operating dimensions: responsiveness following selected turning points, forecast horizons of one to six weeks, and the amount of historical training data. We also developed Machine Learning and ARIMA Model Averaging (MLAMA), a non-negative performance-weighted ensemble with weights that vary by forecast horizon and responsiveness setting. Retrospective comparisons showed that ARIMA adapted rapidly after turning points but its normalized error increased at longer horizons. Random forest and XGBoost were less responsive initially but maintained more stable normalized error over longer horizons. For two-week forecasts at the end of the study period, training on the most recent data outperformed using longer historical periods, particularly for XGBoost. MLAMA achieved the lowest normalized mean absolute percentage error across most forecast horizons and ranked among the best-performing methods across responsiveness settings. These findings support selecting forecasting models according to operating conditions rather than relying on a single universally preferred approach. MLAMA provides a practical framework for combining complementary statistical and machine-learning forecasts. The accompanying Python package is currently maintained in a private repository while software validation and reproducibility testing are completed.
• Abstract（参考訳）: 公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 モデルチューニングおよび評価中における転がりオリジン時間列の経時変化を保存した。 評価対象は,選択した旋回点の応答性,1～6週間の予測地平線,過去のトレーニングデータの量である。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。 振り返り比較の結果、ARIMAは旋回点の後に急速に適応したが、その正規化誤差は長い地平線で増大した。 ランダムフォレストとXGBoostは、当初は応答性が低かったが、より長い地平線に対してより安定した正規化誤差を維持した。 研究期間末の2週間の予測では、特にXGBoostでは、より長い歴史期間で、最新のデータに対するトレーニングが優れていた。 MLAMAは、ほとんどの予測地平線で最小の正規化平均絶対パーセンテージ誤差を達成し、応答性設定で最高の性能の手法にランク付けした。 これらの知見は、単一の普遍的なアプローチに頼るのではなく、運用条件に従って予測モデルを選択することを支援する。 MLAMAは、補完的な統計と機械学習予測を組み合わせるための実践的なフレームワークを提供する。 付属するPythonパッケージは現在、プライベートリポジトリでメンテナンスされており、ソフトウェア検証と再現性テストが完了している。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Multitask LSTM for Arboviral Outbreak Prediction Using Public Health Data [0.0]
  本稿ではブラジル・レシフェにおけるアルボウイルスの発生とケースカウントの同時予測のためのマルチタスク学習手法を提案する。 提案モデルでは,バイナリ分類(アウトブレイク検出)と回帰(ケース予測)タスクを同時に実行する。 このアーキテクチャは、病気やタスク間での競合的なパフォーマンスを提供し、データ限定の公衆衛生シナリオにおけるスケーラブルな流行予測のための統合モデリング戦略の実現可能性とメリットを実証する。
  論文  参考訳（メタデータ） (2025-05-07T16:58:18Z)
• Fine-Tuning Pre-trained Large Time Series Models for Prediction of Wind Turbine SCADA Data [6.296946118570559]
  本稿では,風力タービンから収集したSCADAデータの予測における,事前学習型大時系列モデルであるTimerの適用について検討する。 このモデルは、異なる特性を示す2つの風力発電所から得られたデータセットに基づいて微調整された。
  論文  参考訳（メタデータ） (2024-11-30T09:00:24Z)
• Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
  近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。 我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2024-04-04T09:12:13Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Balancing Computational Efficiency and Forecast Error in Machine Learning-based Time-Series Forecasting: Insights from Live Experiments on Meteorological Nowcasting [0.0]
  本稿では,気象情報を用いた計算コストと予測誤差の関係について述べる。 5日間のライブ実験では、4000のデータソースがトレーニングのためにストリームされ、1時間あたり144モデルが参照された。 その結果, 分散ホライゾンを用いることで計算使用量を50%以上削減し, 誤差は0～15%増加した。
  論文  参考訳（メタデータ） (2023-09-26T19:10:00Z)
• 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)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。