ПРОГНОЗИРОВАНИЕ УРОВНЯ ЛЕТАЛЬНОСТИ ПРИ ИНФЕКЦИИ COVID-19 И ОЦЕНКА ЭФФЕКТИВНОСТИ ДЛЯ НЕКОТОРЫХ ГИБРИДНЫХ МОДЕЛЕЙ

Резюме

История вопроса: Основная цель этой статьи заключается в углублении понимания роли важнейшего эпидемиологического показателя — коэффициент 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.

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.