Modeling and Short-Term Forecasts of Indicators for COVID-19 Outbreak in 25 Countries at the end of March
Notice bibliographique
Résumé
Objective: The coronavirus, which originated in Wuhan, causing the disease called COVID-19, spread more than 200 countries and continents end of the March. In this study, it was aimed to model the outbreak with different time series models and also predict the indicators. Materials and Methods: The data was collected from 25 countries which have different process at least 20 days. ARIMA(p,d,q), Simple Exponential Smoothing, Holt’s Two Parameter, Brown’s Double Exponential Smoothing Models were used. The prediction and forecasting values were obtained for the countries. Trends and seasonal effects were also evaluated. Results and Discussion: China has almost under control according to forecasting. The cumulative death prevalence in Italy and Spain will be the highest, followed by the Netherlands, France, England, China, Denmark, Belgium, Brazil and Sweden respectively as of the first week of April. The highest daily case prevalence was observed in Belgium, America, Canada, Poland, Ireland, Netherlands, France and Israel between 10% and 12%.The lowest rate was observed in China and South Korea. Turkey was one of the leading countries in terms of ranking these criteria. The prevalence of the new case and the recovered were higher in Spain than Italy. Conclusion: More accurate predictions for the future can be obtained using time series models with a wide range of data from different countries by modelling real time and retrospective data. Bangladesh Journal of Medical Science Vol.19(0) 2020 p.06-20
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 | 0,009 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».