Predicción de datos de COVID-19 utilizando un modelo de pronóstico híbrido ARIMA-LSTM
Autores: Jin, Yongchao; Wang, Renfang; Zhuang, Xiaodie; Wang, Kenan; Wang, Honglian; Wang, Chenxi; Wang, Xiyin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Predicción de datos de COVID-19 utilizando un modelo de pronóstico híbrido ARIMA-LSTM
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Estudio
Modelo ARIMA-LSTM
Precisión de predicción
Coeficiente de regresión
Datos de epidemia
Transmisión futura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El propósito de este estudio es estudiar la propagación de COVID-19, establecer un modelo predictivo y proporcionar orientación para su prevención y control. Dado la alta complejidad de los datos epidémicos, adoptamos un modelo combinado ARIMA-LSTM para describir y predecir futuras transmisiones. Se propuso un nuevo método del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión. Luego, utilizamos el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, el modelo ARIMA y el modelo de series ARIMA-LSTM para predecir los datos epidémicos en China, y encontramos que el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión tuvo la mejor precisión de predicción. En el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, MSE = 4049.913, RMSE = 63.639, MAPE = 0.205, R = 0.837, MAE = 44.320. Para verificar la efectividad del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, comparamos este modelo con el modelo SVR y encontramos que el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión tiene una mejor precisión de predicción. Se verificó además con los datos epidémicos de India y se encontró que la precisión de predicción del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión seguía siendo mayor que la del modelo SVR. En el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, MSE = 744,904.6, RMSE = 863.079, MAPE = 0.107, R = 0.983, MAE = 580.348. Finalmente, utilizamos el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión para predecir la situación epidémica futura en China. Encontramos que en los próximos 60 días, la situación epidémica en China seguirá una tendencia descendente estable.
Descripción
El propósito de este estudio es estudiar la propagación de COVID-19, establecer un modelo predictivo y proporcionar orientación para su prevención y control. Dado la alta complejidad de los datos epidémicos, adoptamos un modelo combinado ARIMA-LSTM para describir y predecir futuras transmisiones. Se propuso un nuevo método del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión. Luego, utilizamos el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, el modelo ARIMA y el modelo de series ARIMA-LSTM para predecir los datos epidémicos en China, y encontramos que el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión tuvo la mejor precisión de predicción. En el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, MSE = 4049.913, RMSE = 63.639, MAPE = 0.205, R = 0.837, MAE = 44.320. Para verificar la efectividad del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, comparamos este modelo con el modelo SVR y encontramos que el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión tiene una mejor precisión de predicción. Se verificó además con los datos epidémicos de India y se encontró que la precisión de predicción del modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión seguía siendo mayor que la del modelo SVR. En el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión, MSE = 744,904.6, RMSE = 863.079, MAPE = 0.107, R = 0.983, MAE = 580.348. Finalmente, utilizamos el modelo ARIMA-LSTM en paralelo por peso del coeficiente de regresión para predecir la situación epidémica futura en China. Encontramos que en los próximos 60 días, la situación epidémica en China seguirá una tendencia descendente estable.