Mar, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 使用新病毒变异和疫苗有效性模型进行 COVID-19 预测

    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。

    Jan, 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

  • 新加坡登革热预测的机器学习模型

    通过使用传统的状态空间模型、监督学习技术和深度网络，结合气象数据和搜索引擎趋势作为特征，本研究对新加坡每周登革热病例进行了预测，发现使用卷积神经网络能够以最低的 RMSE 预测 2019 年的每周病例。

    Jun, 2024

  • COVID-19 趋势预测的深度学习方法

    本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。

    Aug, 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

  • 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

  • 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

  • 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