PDF
研究文章|开放获取
Rahele Kafieh,罗亚阿里乌斯派信徒,娜戈Saeedizadeh,萨拉Amini Nasim Dadashi Serej, Shervin Minaee,苏尼尔·库马尔Yadav, Atefeh Vaezi,尼玛雷,Shaghayegh Haghjooy Javanmard, ”在伊朗COVID-19:预测流行使用深度学习”,计算和数学方法在医学, 卷。2021年, 文章的ID6927985, 16 页面, 2021年。 https://doi.org/10.1155/2021/6927985
在伊朗COVID-19:预测流行使用深度学习
Rahele Kafieh,1 罗亚阿里乌斯派信徒,1 娜戈Saeedizadeh,1 Zahra Amini
,1
Nasim Dadashi Serej,1
Shervin Minaee,2
苏尼尔·亚达夫,3
Atefeh Vaezi,4
尼玛雷,5
和
Shaghayegh Haghjooy Javanmard6
1医学图像和信号处理研究中心、学校的先进技术在医学、伊斯法罕大学医学科学,伊斯法罕,伊朗
2快速公司,机器学习研究小组,西雅图,佤邦,美国
3夜曲GmbH,柏林,德国
4社区和家庭医学,医学院的伊斯法罕大学医学科学,伊斯法罕,伊朗
5医学院免疫学系,德黑兰大学医学科学院,德黑兰,伊朗
6应用生理学研究中心,伊斯法罕心血管研究所,伊斯法罕大学医学科学,伊斯法罕,伊朗
文摘
COVID-19导致大流行,影响几乎所有国家几个月。在这项工作中,我们选定的深度学习包括多层感知器模型,应用随机森林,和不同版本的短期记忆(LSTM),使用三个数据源训练模型,包括COVID-19事件,基本信息编码的国家名称,和详细的信息,如人口、不同国家和地区。主要目标是预测疫情在9个国家(伊朗,德国、意大利、日本、韩国、瑞士、西班牙、中国和美国)。测量模型的性能使用四个指标,包括平均平均百分比误差(日军),均方根误差(RMSE),归一化均方根误差(NRMSE) 。最佳的性能被发现LSTM的修改版本,叫做M-LSTM(赢家模型),预测未来轨迹提到国家的大流行。为此,我们收集的数据从1月22日到7月30日,2020年,培训,从2020年8月1日到2020年8月31日,测试阶段。通过实验结果,获胜者模型实现合理准确的预测(日军,RMSE NRMSE,是0.509,458.12,0.001624和0.99997,分别)。此外,我们停止模型的培训日期相关的一些主要国家的行为调查的影响国家行为预测模型。
1。介绍
来历不明的肺炎爆发在武汉,中国去年12月20191]。世界卫生组织命名这种疾病COVID-19的同源基因测序后发现病原体与冠状病毒(2- - - - - -4]。从流行的开始到2020年10月22日,41000000多名确诊病例和一百万多人死亡的报道(5]。
最重要的一个问题在处理流感样疾病(伊犁)流行病COVID-19等的早期识别和短期评估最终的大小和峰值时间。早期预测使用数学和统计模型,结合现有的数据将有效地帮助政府和公共卫生官员实施适当的预防和控制策略(6,7]。为回答这个问题,许多数学模型已经用于预测伊犁大流行。方等。8]研究早期推荐或强制措施的效果降低人群感染比例、使用人群流模型。Roosa et al。9)利用现象学模型,验证以前生成和评估暴发期间COVID-19的短期预测。Kucharski et al。10)合并严重SARS-CoV-2传播的数学模型有四个数据集。彭和他的同事们(11]分析了COVID-19流行在中国使用动态建模估计流行的关键。答:Remuzzi和g . Remuzzi12]分析了COVID-19情况在意大利和中国发现其相似性。Sajadi与加雷熟识et al。13]试图预测潜在传播和季节性COVID-19基于温度、湿度、和纬度信息。Mangoni和Pistilli14)提出了一个动态模型,开发了广义西珥模型基于[11),使预测COVID-19爆发使用意大利Dipartimento德拉Protezione Civile数据。Anastassopoulou et al。15)估计,主要流行病学参数,特别是病死率和案例复苏比率根据susceptible-infectious-recovered-dead (SIRD)模型置信区间为90%。他们采用一个自回归综合移动平均(ARIMA)模型对收集到的数据从2020年1月31日到2020年3月25日和验证使用收集的数据从2020年3月26日到2020年4月04th。汗,古普塔(16)提出了一个自回归综合移动平均(ARIMA)模型来预测在印度COVID-19-infected病例数。
基于一些知名的研究在这个领域(17,18),软件计算方法,特别是深学习方法,征服其他经典模型在短期内估计的大流行。鉴于COVID-19新奇的研究,大多数的研究已经集中在短期预测,和数量有限的作品已经发表的预测和诊断COVID-19使用深度学习模型(19]。Ayyoubzadeh et al。20.)使用线性回归预测模型和LSTM COVID-19的发病率在日常使用谷歌趋势发病率数据实现Worldometer网站在伊朗于2020年2月15日至3月18日。Zeroual et al。215)提出了一个比较深的学习方法,简单的递归神经网络(RNN),长期短期记忆(LSTM),双向LSTM (BiLSTM),封闭的单位(天鹤座),复发和变分autoencoder (VAE)算法,预测新病例的数量和恢复情况。Chimmula和张22]目的是预测未来COVID-19病例和疫情的可能结束在加拿大使用短期记忆(LSTM)网络。Chatterjee et al。23应用不同的单变量”长期短期记忆(LSTM)”模型来预测COVID-19新病例和死亡。他们得出的结论是,香草、堆放和双向LSTM模型优于多层LSTM模型。Wieczorek et al。24)提出了一个神经网络模型预测COVID-19爆发,在一些报道精度在99%以上。梅林et al。25)使用多个合奏与模糊神经网络模型反应聚合COVID-19在墨西哥的预测时间序列。刘等人。26)研究了三种不同的模型,修改susceptible-exposed-infected-recovered-dead (SEIRD),长期短期记忆(LSTM)和地理加权回归(吉尼斯世界纪录),预测COVID-19情况下在中国的传播。他们报告说这三个模型表现良好,比较其准确性。高et al。27)开发了一个模型使用四种机器学习方法,逻辑回归、支持向量机、梯度提高了决策树,神经网络,预测死亡率COVID-19使用病人的临床资料。
这项研究提供了一个基于深度学习预测方法,可以帮助医疗和政府机构在大流行准备和调整发展。为此,我们利用多个模型描述疫情预测和比较他们的表演和有效的特征。以确保我们的方法可归纳的,除了伊朗的数据(这是我们的重点摘要),我们还应用这个框架,其他几个国家和显示一致的结果。最后,我们选择模型并比较其预测与实际数据。我们表明,国家行为可能会改变预测的趋势,导致预测和实际数据之间的偏差。
本文的其余部分的结构如下。部分2。1介绍了本研究中使用的数据源的详细信息。部分2。2给一个快速介绍机器学习算法用于训练一个预测模型。部分3提供了一个详细的定量和定性分析,预测的准确性在伊朗和其他国家。此外,调查方法的影响政府政策的感染病例。最后,本文的结论部分4通过讨论当前形势和未来在伊朗COVID-19基于当前数据。
2。材料和方法
2.1。研究数据
本研究使用三个数据源来预测COVID-19疾病,包括COVID-19数据,为每个国家基本信息和详细信息。COVID-19数据(由约翰霍普金斯大学)包含每日[/回收/确认死亡的人数28),基本信息包含信息的日期/国家/省病例。每个国家的详细信息(根据信息(29日)信息包括地区/人口/面积(平方。mi) /流行。密度(每平方。mi) /海岸线(海岸/面积比)/净移民/婴儿死亡率(每1000新生儿)/ /识字(%)/气候/ GDP出生率、死亡率、农业/行业/服务/耕地作物(%)/ (%)。约翰霍普金斯大学提供的所有国家的数据从1月22日到7月30日,2020年,被用作训练集,训练数据进一步分为训练和验证子集使用比7:根据日期3。性能测试阶段评估是基于2020年8月1日至2020年8月31日的数据来自九个国家(伊朗,德国、意大利、日本、韩国、瑞士、西班牙、中国和美国)。我们预测即将到来的日子从2020年8月31日提供预测的数量确认,死亡,恢复所有9个国家。
2.2。分析方法
在拟议的方法中,首先,从数据源中提取和加工相关的信息。这些模型然后COVID-19训练数据。最后,模型的性能测量使用意味着平均百分误差(日军),均方根误差(RMSE) NRMSE,指标。我们尝试用不同的机器学习模型和报道的结果五承诺,其中包括随机森林(RF) (30.),多层感知器(MLP) [31日),长期短期记忆(LSTM) [32)与普通功能(LSTM-R), LSTM扩展功能(LSTM-E)和多元LSTM (M-LSTM)。不同的结构(hyperparameters和参数)为每个这些模型的研究,和表现最好的架构表进行了总结1。如表所示2,每个国家的特点(如基本和详细的特性和滞后(以前的事件)中解释部分3所示。1)是利用作为输入参数。的比较模型,日军, ,RMSE和NRMSE参数计算性能指标。每个模型分别应用于数据。我们使用Keras包中实现的Python版本3.7.3 [33]。
|
|||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
只代表确诊病例作为输入显示了确诊病例和死亡和恢复情况。BI:基本信息;迪:详细的信息。性能评估确认情况下作为输出。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
为比较不同模型,日军在百分比,RMSE NRMSE,指标是用来衡量实际值误差的大小。这些指标计算使用方程(1)- (6):
在理想条件下,观测值和预测值是相同的( )。另一方面,如果 ,几乎一半的观察到的变化可以解释为模型的输入。归一化均方根误差(NRMSE)还用于比较不同尺度模型。这个因素是分数RMSE观察范围的数据:
在哪里是实际的价值,对应的估计价值吗样本,是最大的,是最小值,实际值的平均值是所有人吗可用的样本。
2.2.1。随机森林
模型用于我们的工作之一是随机森林(RF) (27]。射频是决策树的合奏;它预测目标价值通过训练多个决策树,结合他们的结果。射频拥有一个不错的特性是,它可以用于回归和分类问题。一旦训练模型,预测平均分数不同的树木可以用来预测测试样品的价值。两个最受欢迎的乐团是装袋和提高的方法。在装袋,个人并行模型训练数据的随机子集(30.]。图1显示了射频的整体图。射频是一个包装方法和并行树木在其中随机森林没有任何互动工作(树树树1,2,…,在图1)。选择一个随机样本反复训练集,训练集的不同替代,树木适应这些样本。在培训期间,所有树木并行工作,个人的平均预测树( )据报道作为输出的射频。
2.2.2。多层感知器(MLP)
多层感知器(MLP)是一种流行的神经网络,它使用一连串的几种非线性转换做出预测。在这个网络中,至少有三层节点,输入特性有时被称为输入层,被称为隐藏层和中间转换。第一层(输入)的输出作为下一层的输入(隐藏);之后,这个过程一直持续到一定数量的层,最后一个隐层的输出作为输入的输出层。所有节点在隐藏层使用非线性激活函数。
输出最后一层称为预测输出。在监督学习算法,实际产出称为预期的输出。预期输出用于衡量神经网络系统的性能。基于预期的产出和预测输出值,损失的数量的MLP网络计算。计算损失金额用于传播中的延时误差和更新权重。
计算后的损失在前面的步骤中,这个值是传播从输出层第一层网络中,并使用一个梯度的概念,多层感知器神经网络的初始权值更新。在图2,MLP网络的结构。在这项研究中,我们使用一个模型与5隐藏层。的所有层中解释表的详细信息1。
2.2.3。长短期记忆(LSTM)
LSTM是递归神经网络(RNN)的人工建筑深刻的学习。与标准前馈神经网络,LSTM包含反馈链接(29日]。时间序列的复杂性增加了一个序列输入变量之间的依赖关系(32)和理想情况下需要一个模型与顺序处理能力。香草神经网络(如MLP)没有顺序的处理能力。然而,有一个扩展的前馈神经网络为此,称为复发性神经网络,在每一步,输入当前时间和隐藏的状态从之前的时间戳是用来做一个预测。图3说明了LSTM模型的总体结构。在这项研究中,我们使用一个模型有两个LSTM和两个致密层与64年,32岁,32岁,1过滤器(节点)在每一层。这个信息表中列出1。
(1)LSTM与普通功能(LSTM-R)。LSTM在这个应用程序中,我们最初处理三个不同的事件:确认/死亡/恢复人的数量。使用正则特性,我们喂养滞后每次出现的样本来预测下一个值(对于单输入和输出)格式)。
(2)LSTM与扩展功能(LSTM-E)。通过添加扩展事件从另两种类型来预测下一个值为每个类(确认/死亡/回收),对于我们接受多输入变量(味噌)格式。
(3)多元LSTM (M-LSTM)。另一种时间序列问题是有多个并行的情况必须预测时间序列和一个值。现在,我们可以考虑事件的数量在所有类(确认/死亡/回收)作为输入数据和预测的三个时间序列的值为下一个时间步(多输入和multioutput (MIMO)格式)。
3所示。结果
机器学习模型训练和测试基于84372年出现的每日数量的确认,死亡,恢复COVID-19病例。六天的滞后是应用于数据。数据集分为训练集和测试数据集。每个模型有不同的测试架构,实现最佳的性能表中描述的架构1。
每个模型的性能评估测试集的评价基于日军,RMSE NRMSE,值。最好的滞后是通过比较发现日军值作为讨论的部分3所示。1。也改变了结果给每个候选模型(不同的输入特性阐述了表1节)3所示。2。然后发现最好的模型/输入组合预测部分的下一天3所示。3。国家行为预测的效果也在调查部分3所示。4。
3.1。最优滞后参数
假设我们想要预测事件时间点之后,它只考虑是不够的信息从一个单一的一天;需要使用信息从一些路过的一天(滞后参数)。不同的时间间隔检查前“滞后”可以被认为是一天喂到M-LSTM模型预测数据证实,死亡,和恢复情况。找到最优滞后,所有国家的数据从2020年1月22日到2020年7月30日被用作训练集和数据从2020年8月1日到31日August2020一组9个国家(伊朗、中国、意大利、西班牙、德国、瑞士、韩国、日本和美国)被用来作为测试数据。图4旨在展示的日军值预测出现的证实,死亡,恢复情况下从COVID-19滞后1天准备验证数据模型用来找到最优滞后在考虑范围内。最低的日军发现滞后6,8和10天;5、6和7天;和5、6和证实18天,死亡,和恢复情况下,相应。因此,六天的滞后在所有三个案例是选为“最优滞后参数。”
3.2。最优模型选择
五个不同的模型(部分2。2)和三个输入设置(选择滞后(以前的事件),添加基本和详细的功能在接下来的两个设置)进行了评估。选择一组9个国家进行评估;中国无疑是主要的候选人。伊朗,意大利、西班牙和美国选择由于大量的报告证实和死亡病例。德国和瑞士也有大量来自不同趋势的确诊病例和死亡人数控制。最后,韩国和日本也包含在演示的国家高度的控制疫情。表2,3,4显示的性能模型的选择九个国家证实,死亡,和恢复组。关于表的结果2,我们发现最好的一组参数,包括基本和详细功能+滞后(以前的事件)。此外,结果表明,M-LSTM是表现最好的网络(赢家模型)识别真正的级大流行的最佳性能指标:日军,RMSE NRMSE,0.509%,458.12,0.001624,和0.99997,分别。图5比较最好和最差的能力(RF)模型的正确预测测试值。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
只代表输入和死亡病例显示了确诊病例和死亡和恢复情况。BI:基本信息;迪:详细的信息。性能评估死亡情况下作为输出。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
只代表案例作为输入,并恢复显示了确诊病例和死亡和恢复情况。BI:基本信息;迪:详细的信息。性能评估恢复情况下作为输出。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3。在伊朗COVID-19未来的轨迹
如上所述,数据从所有国家提供的约翰霍普金斯大学(28)从1月22日到7月30日,2020年,作为训练集,测试集数据提到九个国家在8月1日和2020年8月31日之间。基于这个测试结果表2,3,4选择,获胜者模型(M-LSTM)预测在伊朗COVID-19未来的轨迹。
预测结果见图6。预测每日数量的确认、死亡和恢复情况下数据中演示了在伊朗5(一)-5分别(c)。我们也显示所有病例累积数目的伊朗在图5(d)。显示的性能模型在其他国家所提到的,我们还提供预测方法在附录。
(一)
(b)
(c)
(d)
3.4。国家行为对预测的影响
在本文中,我们提出一种新的方案建模伊朗的“国家行为”。全国行动不容忽视在建模;然而,没有特定的输入表明深度学习方法。因此,这一趋势的时间序列在每个时间段只有依赖行为之前,时间点。为了解决这个限制,我们停止了训练在不同时间点(每个依照不同的国家行动)。我们预计,在每种情况下的预测证实与行动之前,和任何新的行动将导致不同的曲线。因此,如果行动产生了积极的影响,预测受感染的人数上升相比,真正的曲线。另一方面,消极的行为将导致较低的值的预测曲线,表明一个好的场景可能发生没有这种不正确的行为。三个示例操作和场合在伊朗被认为是本文:(我)全国学校/大学关闭不必要的服务,和公共交通在大城市之前3月11日,2020年(2)波斯新年2020年3月19日,假日旅行(没有正式禁止在伊朗,并造成大量的转移)(3)城市之间的道路关闭从3月27日到4月4日,2020年
如图6预测模型的训练(确诊病例)停止在三个日期与上述场合有关。蓝色曲线3月11日表示,如果没有第一个行动,3月11日可能上升的曲线。另一方面,红色的曲线显示了一个低很多的高峰可能发生第二次不会发生。最后,绿色曲线表明,道路的关闭将导致消失的曲线,它从未发生过由于停止这一限制和下面的决定。
4所示。讨论
COVID-19肺炎始于2019年12月底,全球持续和动态的威胁。第一个案例证实了2020年2月19日,在伊朗。公众和政治家们的主要问题是流行的行为,包括峰值,峰值数,端点,每日新病例和死亡人数。意识到的实时行为流行疫情应对活动的高效的物流是至关重要的。预报模型将有助于决策者推测潜在的轨迹暴发和驱动干预以及评估干预措施的影响。
五个不同的模型(部分2。2)和三个输入设置(选择滞后(以前的事件),添加基本和详细的功能在接下来的两个设置)评估一组9个国家,和基于日军,RMSE NRMSE,指标,M-LSTM最准确的模型被发现在这项研究中。如前所述,它是不够的只考虑信息从一个单一的一天,所以不同的时间滞后被认为是前检查天提要数据到模型来预测证实,死亡,和恢复情况。这个网络使用滞后的信息确认、死亡和恢复情况来预测下一个事件。作为一个重要的问题,作为输入和输出的天数预测方法,最优延迟6天,和长期(可扩展到月)预测在这项研究中,提出了不同于其他研究的预测时间较短(21,22,24,26]。如表所示2死亡,所有三组(确认/ /回收人)被用作输入所选的模型和估计的一个输出。因此,所有类别对输出的影响。这个结果表明,考虑到这三个事件的相互作用可以提供更好的建模,并忽略这样的依赖会导致更少的性能。
模型的基本假设是稳定的环境测量,但是我们并不生活在控制条件下,每一个决定将改变流行。如图6稳定性的考虑应对疫情,疫情发生发展的第一次高峰在4月1日,大约有3000新发病例。观测数据的预测曲线的交点6(一)- - - - - -6 (c)表明由该方法正确预测的能力。
虽然不同国家的行为对预测的影响调查的文章,在这项研究中,一种新方法被应用于研究这种影响的预测。培训是停在不同的时间点(每个依照不同的国家行动)。如果一个国家的行为有积极的影响,受感染的人数预计将增加相比,实际的曲线;另一方面,消极的行为将导致减少预测曲线值。政府决策和公共场合的影响见图7。考虑到需要5 - 6天左右(平均潜伏期)干预的结果出现在新病例数,蓝色的区别(预测)和绿色(关闭在大国的实际效果)3月11日和25之间曲线是正确的决定的结果。然而,红色的区别(预测)和绿色(传播的实际效果)3月23日和4月2日之间因为一个糟糕的场合。通过关注社会距离,可能会有一个稳定的新病例下降后,4月2日如绿线所示,但是公共卫生政策的变化(如重启伊朗的大多数公共场所或改变的定义,测试可用性和测试执行)的数量重新流行,和日常案件的数量也开始上升。
使用这个模型,我们旨在识别(1)的强度和流行高峰的时间,(2)病例的总数预计的持续时间的流行COVID-19在伊朗,和(3)政府政策的影响感染病例的数量。确定这些结果可以改善资源分配风险沟通、一级预防,二级预防、防备计划(例如,规划医务人员和准备分类单位)
5。结论
最近爆发的COVID-19影响全世界许多国家包括伊朗为十大受影响最严重的国家之一。在这项研究中,我们提出了利用伊朗COVID-19发病率预测模型;我们的结果可能是有用的在准备未来的暴发以及当前通过考虑在公共卫生决策的结果。类似于其他建模技术,本文提供的方法受到限制,其中包括数据质量相关的实时建模(如数据往往是受到持续的清洁、调整,并重新分类的发病日期为进一步数据可用),报告延误和丢失的数据相关的问题。预测证实、死亡和恢复情况下可以帮助医疗组织识别相关后勤障碍爆发中心医疗设备和快速构建新的当地的医疗设施。此外,这些预测可能帮助其他国家正在爆发更准备斗争。这些措施也必须控制疫情,保护前线医务人员,减少病人的严重程度的结果。
附录
预测更多的国家
这里,我们目前的预测模型(M-LSTM和三个输入设置包括基本和详细的特性和滞后)为德国、意大利、日本、和韩国在图8和瑞士、西班牙、中国和美国在图9。我们可以看到从第一到第三列数据8和9之间,总是有一个滞后的实际数据和预测的,但该模型似乎工作范围广泛的国家,这是一个可喜的现象。也比较的性能在预测阶段从9月1日到10月12日在表总结了选择九个国家5。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
(k)
(左)
(m)
(n)
(o)
(p)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
(k)
(左)
(m)
(n)
(o)
(p)
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||
数据可用性
这项工作中的数据是由约翰霍普金斯大学可以在[28]。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
罗亚阿里乌斯派信徒和娜戈Saeedizadeh贡献同样这项工作。
引用
- c·w·h·Lu Stratton, y . w . Tang“肺炎病因不明的爆发在武汉,中国:神秘和奇迹,”医学病毒学杂志,卷92,不。4、401 - 402年,2020页。视图:出版商的网站|谷歌学术搜索
- s . Ryu公元前春,韩国社会的流行病学2019 - ncov专责小组团队,“临时审查2019年的小说《冠状病毒的流行病学特点,“流行病学和卫生,42卷,2020年。视图:出版商的网站|谷歌学术搜索
- c c。赖,w . c . Ko h . j .唐·r . Hsueh和t·p·施“严重急性呼吸系统综合症冠状病毒(SARS-CoV-2)和冠状病毒疾病- 2019 (COVID-19):流行和挑战,”国际期刊的抗菌药物,55卷,不。3,第105924条,2020年。视图:出版商的网站|谷歌学术搜索
- h·a·Rothan和s . n . Byrareddy冠状病毒病的流行病学和发病机理(COVID-19)爆发,“自身免疫杂志第102433条,卷。109年,2020年。视图:出版商的网站|谷歌学术搜索
- 组织,冠状病毒疾病2019 (COVID-19)情况报告- 312020年,世界卫生组织,http://www.who.int/docs/default - source/coronaviruse/situation reports/20200222 -军情报告- 33 - covid pdf?sfvrsn=c9585c8f_2——19.。
- m .左s . k . Khosa却z艾哈迈德,z . Almaspoor,“比较COVID-19流行病与统计建模动力学在亚洲国家,“计算和数学方法在医学卷,2020篇文章ID 4296806, 16页,2020年。视图:出版商的网站|谷歌学术搜索
- m . Niazkar g . Eryılmaz Turkkan, h·r·Niazkar和y . a . Turkkan”评估的三个数学预测模型预测COVID-19疫情在伊朗和土耳其,”计算和数学方法在医学ID 7056285条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
- 黄z方,z、x et al .,“有多少COVID-19感染会在“钻石公主”——基于模拟病毒传播模型的人群流动,”2020年,https://arxiv.org/abs/2002.10616。视图:谷歌学术搜索
- r·k . Roosa y . Lee罗et al .,“实时预测COVID-19流行在中国从2月5日到2月24日,2020年,“传染病模型5卷,第263 - 256页,2020年。视图:出版商的网站|谷歌学术搜索
- a . j . Kucharski t·w·罗素,c .钻石et al .,“COVID-19的早期传播动力学和控制:数学模型的研究,“《柳叶刀传染病,20卷,不。5,553 - 558年,2020页。视图:出版商的网站|谷歌学术搜索
- l .彭w·杨,d, c .诸葛和l .香港“流行在中国COVID-19动力学建模分析,“2020年,https://arxiv.org/abs/2002.06563。视图:谷歌学术搜索
- a . Remuzzi和g . Remuzzi“COVID-19和意大利:接下来会发生什么?”《柳叶刀》,卷395,不。10231年,第1228 - 1225页,2020年。视图:出版商的网站|谷歌学术搜索
- m . m . Sajadi与加雷熟识,p . Habibzadeh a . Vintzileos s Shokouhi f . Miralles-Wilhelm a阿莫鲁索,“温度和纬度分析预测潜在传播和季节性COVID-19,”社会科学电子出版了社会科学研究网络,1卷,不。3550308条,2020年。视图:出版商的网站|谷歌学术搜索
- l . Mangoni和m . Pistilli”流行在意大利Covid-19通过动力学模型,分析”SSRN杂志,1卷,不。3567770条,2020年。视图:出版商的网站|谷歌学术搜索
- c . Anastassopoulou l . Russo a Tsakris, c . Siettos“基于数据的分析、建模和预测的COVID-19爆发,“《公共科学图书馆•综合》,15卷,不。第三条e0230405, 2020年。视图:出版商的网站|谷歌学术搜索
- f·m·汗和r·古普塔ARIMA和NAR covid-19的案例分析为基础的时间序列预测模型在印度,”安全科学杂志和弹性,1卷,不。1、12 - 18,2020页。视图:出版商的网站|谷歌学术搜索
- a . Amendolara”预测建模的流感使用复发性深层神经网络在新英格兰,”2019年。视图:谷歌学术搜索
- 张j . k . Nawata”比较研究预测流感爆发,”生物科学的趋势,11卷,不。5,533 - 541年,2017页。视图:出版商的网站|谷歌学术搜索
- z汽车,美国BaressiŠegota, n . AnđelićLorencin,诉Mrzljak,“建模使用多层感知器COVID-19感染的传播,”计算和数学方法在医学卷,2020篇文章ID 5714714, 10页,2020。视图:出版商的网站|谷歌学术搜索
- s . m . Ayyoubzadeh s . m . Ayyoubzadeh h . Zahedi m·艾哈迈迪和s R Niakan Kalhori,“预测COVID-19发病率在伊朗通过谷歌趋势分析数据:数据挖掘和深入学习试点研究,“JMIR公共卫生和监测》第六卷,没有。2篇文章e18828 2020。视图:出版商的网站|谷歌学术搜索
- a . Zeroual f . Harrou a Dairi, y太阳,“深度学习方法预测COVID-19时间序列数据:比较研究,“混乱,孤波和分形第110121条,卷。140年,2020年。视图:出版商的网站|谷歌学术搜索
- v . k . r . Chimmula l·张,“时间序列预测COVID-19传播在加拿大使用LSTM网络,”混乱,孤波和分形第109864条,卷。135年,2020年。视图:出版商的网站|谷歌学术搜索
- a . Chatterjee m·w·格迪斯和s g·马丁内斯,“统计探索和单变量timeseries COVID-19数据集分析理解疾病蔓延的趋势和死亡,”传感器,20卷,不。11日,2020年。视图:出版商的网站|谷歌学术搜索
- m . Wieczorek j . Siłka和m . Woźniak“神经网络动力COVID-19传播预测模型,混乱,孤波和分形第110203条,卷。140年,2020年。视图:出版商的网站|谷歌学术搜索
- j·c·p ?梅林莫尼卡,d·桑切斯和o·卡斯蒂略,“多个合奏神经网络模型和模糊响应预测COVID-19聚合时间系列:墨西哥的情况,”医疗保健、多学科的数字出版研究所,2020年。视图:谷歌学术搜索
- f . Liu j . Liu y李et al .,“预测和分析COVID-19流行在中国:基于SEIRD LSTM和通过测定模型,”《公共科学图书馆•综合》,15卷,不。8篇文章e0238280 2020。视图:出版商的网站|谷歌学术搜索
- 方y高,g . y . Cai w . et al .,“基于机器学习的早期预警系统能够准确的死亡风险预测COVID-19,”自然通讯,11卷,不。1,第18684条,2020。视图:出版商的网站|谷歌学术搜索
- 2019年,https://data.humdata.org/dataset/novel -冠状病毒- 2019 ncov病例。
- a Cınar和s . a . Tuncer”分类正常窦性心律异常心律失常和充血性心力衰竭ECG信号使用LSTM和混合CNN-SVM深层神经网络,”计算机在生物力学和生物医学工程的方法,卷1,1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
- a . Liaw和m·维纳“randomforest分类和回归,”R新闻,卷2,不。3,在18到22岁,2002页。视图:谷歌学术搜索
- s . k . Pal和s . Mitra多层感知器、模糊集、分类”,1992。视图:谷歌学术搜索
- 张j . k . Nawata”多步预测流感爆发的调整短期记忆,”流行病学和感染,卷146,不。7,809 - 816年,2018页。视图:出版商的网站|谷歌学术搜索
- 2020年,https://keras.io/。
版权
版权©2021 Rahele Kafieh等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
