Sep, 2022

自动预测：匈牙利水痘病例估计的时间序列预测模型评估

PDF
TL;DR本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测，演示 LSTM 模型在县级预测方面的表现优于其他模型，SARIMAX 模型在国家级预测方面的表现最佳。同时，我们的数据预处理方法的表现也优于传统的数据预处理方法。
time-series forecastingdata modelingchickenpox incidencelstm modeldata preprocessing
发现论文，激发创造
  • 时间序列建模和预测入门研究

    本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

    Feb, 2013

  • 深度 Transformer 模型用于时间序列预测：以流感流行为例

    使用基于 Transformer 的机器学习模型，利用自我关注机制从时间序列数据中学习复杂模式和动态，可以准确预测流感样疾病 (ILI) 等时间序列数据，并已超越当前领先的方法。

    Jan, 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

  • 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

  • 时间序列分析与预测的机器学习算法

    本文介绍了时间序列分析和预测的重要性，详细调查了各种用于预测的方法，包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型，完整阐述了预处理和验证的流程。

    Nov, 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

    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。

    Jul, 2022

  • 比较研究论文中用于预测非洲 COVID-19 病例的时间序列分析方法：文献综述

    该文献综述通过比较不同的时间序列分析方法，旨在预测非洲地区的 COVID-19 病例。该研究通过系统搜索 2020 年 1 月至 2023 年 7 月之间发表的英文研究论文，重点关注利用时间序列分析方法研究非洲地区 COVID-19 数据集的论文。采用 PubMed、Google Scholar、Scopus 和 Web of Science 等多个数据库进行了文献调查。研究论文经过评估，提取相关信息，包括时间序列分析模型的实施和性能。该研究突出了不同的方法学，并评估了它们在预测病毒传播方面的有效性和局限性。该综述的结果可以为该领域提供更深入的见解，未来的研究应考虑这些见解，以改进时间序列分析模型并探索不同方法的整合以提升公共卫生决策。

    Oct, 2023

  • 基于经验贝叶斯框架的流行病灵活建模

    使用半参数经验贝叶斯框架，结合 Google Flu Trends 数据，开发了一种预测流感季节流行病情况的框架，可针对流感样病毒构建有合理变化的流行曲线，对抗历史数据进行了交叉验证，结果表明该方法更好地预测了未来的病情。

    Oct, 2014

  • 深度学习预测

    本文提出了一种基于深度学习的时间序列预测方法，并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤，并进行可视化检查。实验结果表明，如果数据集中的时间序列重复出现固定模式，则可以使用单个时间序列来训练深度学习网络。然而，对于股票市场收盘价格等较少结构化的时间序列，网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。

    Feb, 2023

  • 统一长期时间序列预测基准

    为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

    Sep, 2023