Forecasting model of COVID-19 pandemic in Malaysia: An application of time series approach using neural network
Notice bibliographique
Résumé
COVID-19 has spread to more than a hundred countries worldwide since the first case reported in late 2019 in Wuhan, China. As one of the countries affected by the spread of COVID-19 cases, the local government of Malaysia has issued several policies to reduce the spread of this outbreak. One of the measures taken by the Malaysian government, namely the Movement Control Order, has been carried out since March 18, 2020. In order to provide precise information to the government so that it can take the appropriate measures, many researchers have attempted to predict and create the model for these cases to identify the number of cases each day and the peak of this pandemic. Therefore, hospitals and health workers can anticipate a surge in COVID-19 patients. In this research, confirmed, recovered, and death cases prediction was performed using the neural network as one of the machine learning methods with high accuracy. The neural network model used is the Multi-Layer Perceptron, Neural Network Auto-Regressive, and Extreme Learning Machine. The three models calculated the average percentage error (APE) values for 7 days and obtained APE values for most cases less than 10%; only 1 case in the last day of one method had an APE value of approximately 11%. Furthermore, based on the best model, then the forecast is made for the next 7 days. In conclusion, this study identified that the MLP model is the best model for 7-step ahead forecasting for confirmed, recovered, and death cases in Malaysia. However, according to the result of testing data, the ELM performs better than the MLP 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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».