摘要
一般情况,学者们采用人工智能、数学建模等方式预测COVID-19的传播。然而有的数学模型,其理论推导过程复杂且专业性强,不易理解和推广;有些数学模型需要提前估计参数,在参数确定环节就会引起一定的失真;在统计数据集时,学者们都更偏爱以当日报道的确诊总人数为子集。文章以每日报道的新增确诊人数为子集,基于大量的实时动态变化数据,不需要流行病学方面的专业知识,以数据集本身具有的特性去预测COVID-19未来的传播,模型简单可靠,便于应用。文章以美国、印度疫情为例,选择NAR神经网络、骨架曲线两种方法分别进行预测,最后用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)三大回归评价指标去选定和评价NAR模型;用绝对误差百分比在[0,30%]内的子样本占总样本的比例,去评价骨架曲线预测的优劣。用训练好的NAR神经网络往后预测了23天(2020年12月1日至23日),美、印两国疫情预测值的MAPE分别为12.19%、19.53%;用骨架曲线每次预测5天,均预测至12月23日,美、印两国绝对误差百分比在[0,30%]内的子样本占各自总样本的比例分别为92.8%、85.9%。上述结果表明,通过这两种方法进行预测,可以为疫情防控提供强有力的数据支撑。
- 单位