DSA-BEATS: Dual Self-Attention N-BEATS Model for Forecasting COVID-19 Hospitalization
Notice bibliographique
Résumé
The high number of hospitalization cases of COVID-19 made public health providers overloaded. Forecasting the number of hospitalized patients related to COVID-19 can help public health providers to make informed decisions for controlling the spread. In this study, we present the Dual Self-Attention NBEATS (DSA-BEATS) model, a novel approach that effectively combines the self-attention mechanism of transformers with the proficiency of the N-BEATS model in dealing with multivariate forecasting problems. We expanded the dataset to a multivariate one by including data from Canadian transportation hub cities and SARS-CoV-2 RNA load in wastewater, which allowed for a more comprehensive modeling of the complex relationships impacting COVID-19 hospitalizations. These transportation hub cities were the major ports of entry for international travelers coming to the country. The DSA-BEATS model was tested on a 55-day test set with a 12-day horizon, resulting in a Mean Absolute Percentage Error (MAPE) of 14.23%, which implies an accuracy of 85.77%. These results demonstrate substantial improvements over state-of-the-art models such as N-BEATS and Informer, validating the efficacy of the DSA-BEATS model in accurately predicting COVID-19 hospitalizations. The study provides a significant contribution to the ongoing development of enhanced timeseries forecasting methods, particularly in the context of public health crises. The DSA-BEATS model’s ability to capture complex temporal relationships and effectively handle multivariate data inputs underscores its potential in a wide range of forecasting tasks beyond the COVID-19 pandemic.
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 | 0,001 | 0,012 |
| 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 | 0,001 | 0,000 |
| 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 ».