Extending the forecasting horizon of daily new COVID-19 cases using non-pharmaceutical measures and the effective reproduction number (Rt): A deep learning-based framework
Notice bibliographique
Résumé
Amid the ongoing pandemic, such as the Covid-19 outbreak, there exists a critical need to comprehend and forecast the dynamic trends of daily confirmed cases to effectively prevent and mitigate the impact of its consequences. This study aims to investigate the essential factors acting as predictors for forecasting daily new confirmed cases specifically within the Indonesian setting. Utilizing advanced Deep Learning (DL) methodologies, including Deep Feedforward Neural Networks (DFNN), Long Short-Term Memory (LSTM), one-dimensional convolutional neural networks (CONV1D), and Gated Recurrent Units (GRU), this research endeavors to predict daily confirmed Covid-19 cases in Indonesia. To achieve this, a comprehensive set of 80 variables (predictors), encompassing the effective reproduction number (Rt), was utilized as input parameters. Before model construction, rigorous variable selection procedures and statistical analyses were conducted to enhance data understanding. The effectiveness of the predictive model was assessed using various metrics, such as Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Squared Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Scaled Error (MASE), which evaluates MAE relative to a baseline model. Results indicate that DL models incorporating two key predictors—daily confirmed case count and Rt—exhibited superior predictive performance, capable of forecasting daily confirmed cases up to 13 days in advance. The inclusion of additional variables was found to diminish the predictive accuracy of DL algorithms.
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 | 0,011 | 0,282 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».