Doctor in Mathematics, Assistant Professor, Laboratory of Applied Mathematics, Department of Mathematics
д.мат.н., доцент, лаборатория прикладной математики, факультет математики
Doctor in Mathematics, Full Professor, Laboratory of Applied Mathematics, Department of Mathematics
д.мат.н., профессор, лаборатория прикладной математики, факультет математики
The main goal of this paper is to delve into a crucial epidemiological metric the daily infection fatality rate in the context of the ongoing COVID-19 pandemic. The significance of understanding this metric lies in its potential to provide insights into the severity and impact of the virus on a daily basis. Methods: To achieve this overarching objective, we employ a comprehensive approach by applying various hybrid models that hybridize both machine learning and statistical techniques. In our pursuit of a deeper understanding, we leverage advanced machine learning algorithms, including Support Vector Machine and Random Forest. These techniques allow us to capture intricate patterns and relationships within the data, contributing to a more nuanced analysis of the infection fatality rate. The application of machine-learning models in epidemiological studies has gained prominence due to their ability to adapt to complex and evolving patterns inherent in infectious disease dynamics. Complementing our machine-learning arsenal, we integrate traditional statistical models such as ARIMA (AutoRegressive Integrated Moving Average), fractional ARIMA, and BATS (Bayesian Structural Time Series). Results. To assess the performance of these models, we employ key evaluation metrics, including Root Mean Squared Error (RMSE), Mean Squared Error (MSE), and Mean Absolute Error (MAE). These metrics serve as critical benchmarks, allowing us to quantify the accuracy and reliability of our models in predicting the daily infection fatality rate. A meticulous evaluation of model performance is crucial for ensuring the validity and of our findings. According to these measures, we see that hybrid models performed well especially ARIMA-RF model RMSE: 0.29, MSE: 0.084, MAE: 0.215 for the horizon 60 and for horizon 120 ARIMA-RF still the best performance, RMSE: 0.268, MSE: 0.071, MAE: 0.183, we get these results due to the capacity of this approach to handle complex patterns contrarily to other model ARIMA, BATS, RF and SVM. Conclusion. This work adopted this approach in order to build a model to predict infection fatality rate, we aspire to provide a nuanced understanding of the factors influencing the severity of the virus, ultimately contributing to the ongoing discourse on effective public health interventions and mitigation strategies.
История вопроса. Основная цель этой статьи заключается в углублении понимания роли важнейшего эпидемиологического показателя — коэффициента летальности при заражении на фоне продолжающейся пандемии COVID-19. Важность понимания этого показателя состоит в том, что он позволяет ежедневно оценивать выраженность вирусного инфицирования и ее воздействие. Материалы и методы. Для достижения этой всеобъемлющей цели мы применяем комплексный подход, используя различные гибридные модели, объединяющие машинное обучение и статистические методы. Углубленное понимание значимости указанного параметра достигается с использованием передовых алгоритмов машинного обучения, включая машину опорных векторов и случайные деревья решений. Эти методы позволяют обнаруживать сложные закономерности и взаимосвязи в данных, способствуя более детальному анализу уровня смертности от инфекций. Применение моделей машинного обучения в эпидемиологических исследованиях приобрело известность благодаря их способности адаптироваться к сложным и развивающимся закономерностям, присущим динамике инфекционных заболеваний. Дополняя доступный арсенал машинного обучения, мы совмещаем традиционные статистические модели, такие как ARIMA (авторегрессионное интегрированное скользящее среднее), дробное ARIMA и BATS (байесовский структурный временной ряд). Эти модели обеспечивают проверенную временем и строгую статистическую основу для проводимого анализа, позволяя выявить временные зависимости и тенденции коэффициента летальности при заражении. Синергия машинного обучения и статистических моделей дает нашему исследованию целостную перспективу, обеспечивая надежное и всестороннее исследование эпидемиологической ситуации. Результаты. Для оценки эффективности этих моделей мы используем ключевые показатели оценки, включая среднеквадратическую ошибку (RMSE), среднеквадратическую ошибку (MSE) и среднюю абсолютную ошибку (MAE). Эти показатели служат важнейшими ориентирами, позволяя нам количественно оценить точность и надежность наших моделей при прогнозировании ежедневного коэффициент летальности при заражении. Тщательная оценка эффективности модели имеет решающее значение для обеспечения достоверности наших выводов. Согласно этим измерениям, гибридные модели показали хорошие результаты, особенно модель ARIMA-RF RMSE: 0.29, MSE: 0.084, MAE: 0.215 для горизонта 60 и для горизонта 120 ARIMA-RF по-прежнему демонстрировали лучшую производительность, RMSE: 0.268, MSE: 0.071, MAE: 0.183 позволили получить такие результаты благодаря способности этого подхода обрабатывать сложные шаблоны в отличие от моделей ARIMA, BATS, RF и SVM. Заключение. В данной работе применялся подход для построения модели по прогнозированию уровня коэффициента летальности при заражении, нацеленный на предоставление детального понимания факторов, влияющих на тяжесть вирусного инфицирования. В конечном итоге это будет способствовать продолжающемуся обсуждению эффективных мер общественного здравоохранения и стратегий нивелирования последствий.