Jul, 2022

通过经典和机器学习模型的集成预测 COVID-19 传播：以西班牙为案例研究

PDF
TL;DR本研究使用一组群体模型和机器学习模型来预测 COVID-19 疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整 Gompertz、Logistic、Richards 和 Bertalanffy 等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。
发现论文，激发创造
  • 机器学习模型预测疫情爆发

    使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

    Oct, 2023

  • 一种基于实时信号和数据同化的流行病预测参数预测新方法

    本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

    Jul, 2023

  • 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

  • COVID-19 的动态因果建模

    本文利用动态因果模型和集成动力学，通过对干预和不同人群间的差异进行建模，量化了冠状病毒在不同情况下的不确定性和预测。同时，该研究还观察到了群体免疫导致的非线性影响和自组织缓解过程方面的有趣现象。

    Apr, 2020

  • 结合搜索、社交媒体和传统数据来源来改进流感监测

    本研究使用机器学习方法，结合多种数据源包括谷歌搜索、社交媒体数据和卫生部门数据等，提供实时和预测性的美国流感活动估计。通过将每个数据源产生的流感样病例（ILI）活动情况独立生成的多个估计值结合起来，使用机器学习集成方法生成准确的每周 ILI 预测，为 CDC ILI 报告发布前的四周提供预测。结果证明，将不同数据源（包括社交媒体和众包数据）纳入流感预测可以获得极大的洞见。

    Aug, 2015

  • 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

  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • 利用大规模运动数据预测 COVID-19 传播

    基于电信数据的 Hawkes 模型为公共卫生决策者提供了一个可扩展的预警系统，可有效预测新冠疫情的传播趋势并优于基准方法。

    Jun, 2021

  • 动态气候影响模型的代理集合预测

    为了在非线性和高度不确定性的气候影响模型驱动参数中提出一种可接受的代替模型，考虑深度学习 BLSTM 网络和随机森林 RFQR 模型替代 R0 预测，这些模型基于气候预测即温度和降雨量的季节性集合，建立合理的模型进行不确定性预测。

    Apr, 2022

  • 机器学习时空流行病学模型评估德国县级 COVID-19 风险

    为了实现和评估公共卫生政策，我们利用机器学习技术开发了一个框架，从感染数据中提取流行病动态，其中包含一个结合了空间元胞自动机和时间易感 - 未诊断 - 感染 - 移除模型的县级时空流行病学模型，该模型显示了 CA-SUIR 模型在不同政策下的多级风险和冠状病毒传播模式。通过此研究，我们预测了德国 412 个区县的 COVID-19 流行病学水平，包括 t-day-ahead 风险预测和对旅行限制政策的风险评估。这种可干预的评估系统可以帮助决定经济重启和公共卫生政策制定。

    Nov, 2020