Forecasting of Covid-19 Using Roll Prediction Based on Deep Learning
Notice bibliographique
Résumé
Corona Virus Disease 2019 (COVID-19), short for “new coronavirus pneumonia” and named “2019 coronavirus disease” by the World Health organization, refers to pneumonia caused by the new 2019 coronavirus infection. COVID-19 is highly transmissible and is spreading rapidly around the world, posing a threat to human health and already having a huge impact on the world economy. Therefore, it is very important and necessary to predict the trend of the number of patients with COVID-19. The present work proposes learning models. There have been many previous studies using deep learning neural networks to predict time series, and the results have been shown to be outstanding. The present work will change the forecast format from using the entire segment of the data to forecast a day or segment to a roller forecast format. We will start from Convolutional Neural Network (CNN) and then use simple Recurrent Neural Networks (RNN) and The Gated Recurrent Units (GRUs) cells along with Long Short-Term Memory (LSTM) cells to predict the deaths and cases in US. We have used publicly available data from John Hopkins University’s COVID-19 database. In this study we will find the advantages and disadvantages of roller prediction and the limitations of different models and predict future trends, which will play a positive role in the research and prediction of the prevention and control of the epidemic.
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 | 0,004 |
| 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 | 0,000 |
| 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 ».