Jan, 2022

使用新病毒变异和疫苗有效性模型进行 COVID-19 预测

PDF
TL;DR本文利用长期记忆机器学习方法预测 COVID-19 新感染病例日趋势，并探讨疫苗的保护效力、衰减和不同变异体的传染力。结果发现，第二针和第三针疫苗的保护力分别为 0.24 和 0.95，并使用提取出的相关参数复制了日本三个地区的新病例。
covid-19booster vaccinationlong-term memory machine learningvaccination effectivenessviral variants
发现论文，激发创造
  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • 新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

    本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

    Apr, 2020

  • COVID-19 预测的严格基线和美国、俄罗斯的机器学习视角

    利用 Covid-19 的数据集，使用预测性分析来评估更复杂的预测模型的效能潜力，包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果，它与 Exponential Smoothing、机器学习模型和 LSTM 等进行了比较，并且 LSTM 表现出了最佳的效果。该研究对美国和俄罗斯进行了评估，并使用 MAPE 指标进行评估。

    Jul, 2022

  • 利用机器学习预测海湾合作委员会（GCC）国家的 COVID-19 感染情况

    本篇论文使用机器学习的时间序列模型基于 Johns Hopkins 的公共 COVID-19 数据集，为海湾合作委员会国家开发了不同的模型来预测 COVID-19 感染情况，并证明所开发的模型可以高精度地预测 COVID-19 感染。

    Mar, 2023

  • 使用 SIkJ$α$ 模型快速、准确地预测 COVID-19 死亡人数

    本文提出了一种扩展 SIkJα 模型的方法，利用快速线性回归从众多复杂因素中学习少量参数来预测死亡人数以应对 COVID-19 疫情，并将其与 CDC 当前使用的七种方法进行比较，发现我们的方法在大多数评估期内可以达到更好的效果。

    Jul, 2020

  • 使用机械和统计时间序列模型进行 COVID-19 发病率的短期概率预测比较

    本研究比较了基于更新方程的机械模型和统计时间序列模型的短期概率预测，发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高疾病发病率的短期预测能力。

    May, 2023

  • 利用在线搜索追踪 COVID-19

    本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

    Mar, 2020

  • 自我报告的症状能否预测每日 COVID-19 病例？

    本研究开发了机器学习模型，利用自我报告的症状估计 COVID-19 的患病率，并通过在线平台采集的众包数据展示了这些模型可以在成本效益高的情况下补充现有的流行病学监测基础设施。

    May, 2021

  • 利用机器学习对孟加拉国人口进行冠状病毒疾病情况分析和预测研究

    该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

    Jul, 2022

  • 中国新冠疫情的人工智能预测

    利用基于人工智能的方法，通过对中国新冠疫情数据的分析和预测，预测出新冠病毒传播的规律并达到了较高的预测精度，可以对公共卫生规划和政策制定提供很好的支持。

    Feb, 2020