Infectious Disease Forecasting using Multivariate Incomplete Time-series: A Hybrid Architecture with Stacked Dilated Causal Convolutions
Notice bibliographique
Résumé
The COVID-19 pandemic brought into focus the importance of accurately predicting the future spread of an infectious disease. Hybrid neural networks combining standard convolutional neural networks (CNNs) and recurrent neural networks (RNNs) have previously been utilized for infectious disease forecasting. This study enhances previous research by introducing a novel architecture using a Stacked-dilated-causal Convolutional Neural Network and Bidirectional Long Short-Term Memory (SCNN-BiLSTM) to forecast the spread of an infectious disease by accommodating incomplete multivariate temporal sequences. Unlike standard CNN, stacked-dilated-causal convolutions provide full coverage history, where all previous elements in the time-series input window are modelled to predict the next output.COVID-19 infection data in Ontario, Canada was selected to demonstrate the effectiveness of our approach in infectious-disease forecasting. The two main contributions of this study are the following: (1) proposing Stacked-dilated-causal Convolution (SCNN) along with Bidirectional Long Short-Term Memory to create a hybrid architecture (SCNN-BiLSTM) that can model full coverage history for infectious disease forecasting; (2) developing a multivariate model that is capable of incorporating multiple incomplete input sequences. The results obtained from this study show that the proposed architecture can successfully predict the spread of infectious disease with a long forecasting horizon by utilizing multivariate data even in the absence of complete temporal sequences for all variables.
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 | 0,000 | 0,000 |
| 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 ».