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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».