Forecasting Model for the Number of Patients with Pneumonia in Thailand
Notice bibliographique
Résumé
The purpose of this research was to construct the most suitable forecasting model for the number of patients with pneumonia in Thailand. The data gathered from the website of Social and Quality of Life Database System during the first quarter, 2003 to the fourth quarter, 2014 (48 values) were used and divided into two categories. The first category had 44 values, which were the data during the first quarter, 2003 to the fourth quarter, 2013 for the modeling by the methods of Box-Jenkins, Winters’ additive exponential smoothing, and combined forecasting. The second category had 4 values,which were the data from all four quarters in 2014 for checking the accuracy of the forecasting models via the criterion of the lowest mean absolute percentage error. The results showed that for all forecasting methods that had been studied, combined forecasting method was the most suitable for this time series and the forecasting model was Ŷt= 0.234904Ŷ1t + 0.765096Ŷ2t where Ŷ1t and Ŷ2t represented the single forecasts at time t from Box-Jenkins and Winters’ additive exponential smoothing, respectively. When using the combined forecasting method to predict the number of patients with pneumonia, we found that the number of pneumonia cases increased. However, the predictions of the first quarter may be lower than the actual value, so who used the forecasting model should be careful and if there were the current time series data, the model should be updated. Including should be considering the time series of monthly and weekly in order to construct the forecasting model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».