[论文解读] Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep 22, 2021, based on deep learning

Jafar Abdollahi, Amir Jalili Irani+1 more|arXiv (Cornell University)|Mar 15, 2021

COVID-19 epidemiological studies参考文献 22被引用 9

一句话总结

本研究基于伊朗卫生部的官方数据，开发了一种基于深度学习的新冠疫情预测模型，对比了时间序列与机器学习方法。研究发现，长短期记忆网络（LSTM）和季节性人工神经网络（ANN）优于传统时间序列模型，预测新增病例和死亡人数将下降，若持续采取预防措施，预计到2021年9月22日死亡人数将降至零。

ABSTRACT

The recent global outbreak of covid-19 is affecting many countries around the world. Due to the growing number of newly infected individuals and the health-care system bottlenecks, it will be useful to predict the upcoming number of patients. This study aims to efficiently forecast the is used to estimate new cases, number of deaths, and number of recovered patients in Iran for 180 days, using the official dataset of the Iranian Ministry of Health and Medical Education and the impact of control measures on the spread of COVID-19. Four different types of forecasting techniques, time series, and machine learning algorithms, are developed and the best performing method for the given case study is determined. Under the time series, we consider the four algorithms including Prophet, Long short-term memory, Autoregressive, Autoregressive Integrated Moving Average models. On comparing the different techniques, we found that deep learning methods yield better results than time series forecasting algorithms. More specifically, the least value of the error measures is observed in seasonal ANN and LSTM models. Our findings showed that if precautionary measures are taken seriously, the number of new cases and deaths will decrease, and the number of deaths in September 2021 will reach zero.

研究动机与目标

• 使用伊朗卫生部和医学教育部门的官方数据，对伊朗未来180天内的新增新冠确诊病例、死亡人数和康复人数进行预测。
• 对比时间序列模型（如Prophet、ARIMA）与机器学习技术（如LSTM、ANN）在疫情预测中的表现。
• 评估防控措施对伊朗疫情发展轨迹的影响。
• 识别适用于伊朗情境的最准确预测模型。

提出的方法

• 本研究使用伊朗卫生部和医学教育部门提供的每日确诊病例、死亡人数和康复人数的官方数据。
• 应用四种时间序列模型：Prophet、长短期记忆网络（LSTM）、自回归（AR）和自回归积分滑动平均（ARIMA）。
• 开发并训练两种深度学习模型——季节性人工神经网络（ANN）和LSTM——基于历史数据预测未来趋势。
• 通过标准误差指标评估模型性能，选择误差值最低的模型作为最优模型。
• 通过调整输入参数以反映传播率的变化，模拟防控措施的影响。

实验结果

研究问题

• RQ1 在预测伊朗新冠疫情传播方面，时间序列模型与深度学习模型中，哪种模型表现更优？
• RQ2 通过2021年9月，防控措施如何影响伊朗新增病例和死亡人数的预测？
• RQ3 像LSTM和季节性ANN这样的深度学习模型是否能为伊朗疫情提供比传统时间序列模型更准确的预测？
• RQ4 在持续采取预防措施的前提下，到2021年9月22日，伊朗新增病例和死亡人数的预测趋势如何？

主要发现

• LSTM和季节性ANN模型在所有测试模型中误差值最低，优于Prophet和ARIMA等传统时间序列方法。
• 研究发现，与经典时间序列模型相比，深度学习模型在预测伊朗新冠疫情传播方面更为有效。
• 若持续实施预防措施，模型预测伊朗每日新增死亡人数将在2021年9月22日降至零。
• 若预防性干预措施持续实施，未来180天内新增病例和死亡人数预计将显著下降。