Mathematical modeling approach to predict COVID-19 infected people in Sri Lanka
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<abstract> <p>The novel corona virus (COVID-19) has badly affected many countries (more than 180 countries including China) in the world. More than 90% of the global COVID-19 cases are currently outside China. The large, unanticipated number of COVID-19 cases has interrupted the healthcare system in many countries and created shortages for bed space in hospitals. Consequently, better estimation of COVID-19 infected people in Sri Lanka is vital for government to take suitable action. This paper investigates predictions on both the number of the first and the second waves of COVID-19 cases in Sri Lanka. First, to estimate the number of first wave of future COVID-19 cases, we develop a stochastic forecasting model and present a solution technique for the model. Then, another solution method is proposed to the two existing models (SIR model and Logistic growth model) for the prediction on the second wave of COVID-19 cases. Finally, the proposed model and solution approaches are validated by secondary data obtained from the Epidemiology Unit, Ministry of Health, Sri Lanka. A comparative assessment on actual values of COVID-19 cases shows promising performance of our developed stochastic model and proposed solution techniques. So, our new finding would definitely be benefited to practitioners, academics and decision makers, especially the government of Sri Lanka that deals with such type of decision making.</p> </abstract>
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.
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 | 0,002 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle