Abstract: Diese Arbeit analysiert einzelne und zweiwellige COVID-19-Ausbrüche unter Verwendung von zwei neuartigen hybriden Modellen, die maschinelles Lernen und statistische Methoden mit Richards-Wachstumsmodellen kombinieren, um die Ausbreitung der Infektion zu simulieren und vorherzusagen. Zu diesem Zweck werden historische kumulative Zahlen bestätigter Fälle für drei Länder, darunter Iran, Italien und Mexiko, verwendet. Die Analyse der Richards-Modelle zeigt, dass seine einstufige Form die kumulative Anzahl der Infektionen in Ländern mit einer einzigen Welle des Ausbruchs (Italien und Mexiko) genau modellieren kann, während seine Leistung für Länder mit zwei Wellen des Ausbruchs (Iran) nachlässt, was die Notwendigkeit von mehrstufigen Richards-Modellen verdeutlicht. Die Ergebnisse der mehrstufigen Richards-Modelle zeigen, dass die Verhinderung der zweiten Welle die Ausbruchsgröße im Iran um etwa 400.000 Fälle reduzieren und die Pandemie fast 7 Monate früher kontrolliert werden könnte. Obwohl die kumulative Ausbruchsgröße mit mehrstufigen Richards-Modellen genau geschätzt wird, zeigen die Ergebnisse, dass diese Modelle die tägliche Anzahl der Fälle, die für die Planung der Gesundheitssysteme wichtig sind, nicht vorhersagen können. Daher werden zwei neuartige hybride Modelle vorgeschlagen, darunter autoregressives integriertes gleitendes Durchschnittsmodell (ARIMA)-Richards und nichtlineares autoregressives neuronales Netzwerk (NAR)-Richards. Die Genauigkeit dieser Modelle bei der Vorhersage der täglichen Fallzahlen für 14 Tage im Voraus wird unter Verwendung des Testdatensatzes berechnet und zeigt, dass der Vorhersagefehler zwischen 8 und 25 % liegt. Ein Vergleich zwischen diesen hybriden Modellen zeigt auch, dass die auf maschinellem Lernen basierenden Modelle eine überlegene Leistung im Vergleich zu den auf Statistik basierenden Modellen haben und im Durchschnitt 20 % genauer sind.
Processing Request
No Comments.