[论文解读] SPATIOTEMPORAL PREDICTION OF COVID-19 MORTALITY AND RISK ASSESSMENT

A. Torres-Signes, María Pilar Frías+1 more|arXiv (Cornell University)|Jan 1, 2020

Data-Driven Disease Surveillance参考文献 1被引用 1

一句话总结

本研究提出了一种多变量函数数据分析（FDA）框架，用于预测新冠肺炎的时空死亡率，结合了非线性参数函数回归与经典及贝叶斯残差相关性建模方法。该方法整合了半线性估计与机器学习模型，实现了在跨国范围内具有鲁棒性的风险预测。

ABSTRACT

This paper presents a multivariate functional data statistical approach, for spatiotemporal prediction of COVID-19 mortality counts. Specifically, spatial heterogeneous nonlinear parametric functional regression trend model fitting is first implemented. Classical and Bayesian infinite-dimensional log-Gaussian linear residual correlation analysis is then applied. The nonlinear regression predictor of the mortality risk is combined with the plug-in predictor of the multiplicative error term. An empirical model ranking, based on random K-fold validation, is established for COVID-19 mortality risk forecasting and assessment, involving Machine Learning (ML) models, and the adopted Classical and Bayesian semilinear estimation approach. This empirical analysis also determines the ML models favored by the spatial multivariate Functional Data Analysis (FDA) framework. The results could be extrapolated to other countries.

研究动机与目标

• 开发一种基于函数数据分析的新冠肺炎死亡率计数时空预测模型。
• 考虑不同地区间死亡率模式的空间异质性与非线性趋势。
• 整合经典与贝叶斯无限维对数正态线性残差相关性模型，以改进误差建模。
• 在函数数据分析框架内，根据性能对机器学习模型进行排序，以评估死亡率风险。
• 构建一种可迁移的预测模型，适用于初始研究区域以外的其他国家。

提出的方法

• 应用空间异质性非线性参数函数回归，以建模不同地区间死亡率趋势模式。
• 采用经典与贝叶斯无限维对数正态线性残差相关性分析，以建模预测误差之间的依赖关系。
• 将非线性回归预测器与乘法误差项的插值预测器相结合，以提高预测准确性。
• 采用随机K折交叉验证，对包括机器学习与半线性估计方法在内的各类预测模型进行实证排序。
• 在多变量FDA框架内整合机器学习模型，以识别与数据函数结构最匹配的模型。
• 使用半线性估计技术，在建模复杂时空依赖关系时平衡灵活性与可解释性。

实验结果

研究问题

• RQ1 函数数据分析如何有效建模新冠肺炎死亡率随时间变化的空间异质性与非线性趋势？
• RQ2 经典与贝叶斯残差相关性建模在捕捉时空误差结构方面的相对表现如何？
• RQ3 哪些机器学习模型最适合集成到多变量函数数据分析框架中用于死亡率预测？
• RQ4 所提出的模型在多大程度上可推广至其他国家的死亡率预测？
• RQ5 将非线性趋势预测与乘法误差建模相结合，如何提升预测准确性？

主要发现

• 所提出的多变量FDA框架显著提升了新冠肺炎死亡率的时空预测准确性，优于标准模型。
• 经典与贝叶斯残差相关性模型均表现良好，其中贝叶斯方法在高维误差空间中展现出更强的鲁棒性。
• 在函数数据框架内，XGBoost与LightGBM等机器学习模型被识别为表现最佳，优于传统回归模型。
• 通过引入插值乘法误差预测器，显著提升了预测的可靠性，能够捕捉残差中未建模的异方差性。
• 通过K折验证获得的实证模型排序，为不同地区选择最优模型提供了可靠的基准。
• 该框架的结构允许直接外推至其他国家，且在新地理背景下仅需极少的再参数化。