Improving COVID-19 Forecasting using eXogenous Variables
借助外生变量改进新冠疫情预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确比较带辅助变量的时间序列预测方法，并评估疫情预测精度。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
借助外生变量改进新冠疫情预测
- 研究问题
- 在人口流动等辅助变量可用时，如何改进美国全国与州级新冠死亡预测，不同时间序列与时空图方法的表现有何差异？
- 方法与思路
- 作者比较结合人口流动的时空图神经网络与使用外生变量的 SARIMA 等预测方法，在全国及州级数据上评估表现。
- 材料陈述的贡献
- 摘要报告相对 GCN-LSTM 和 AUG-NN 的预测精度提升，并区分全国与州级结果；未说明精度指标及所述 MCP 模型的完整定义。
- 阅读关注点
- 核对外生变量的可预测时可得性、MCP 的定义、预测期限和样本划分，以及精度提升百分比的计算与基准比较设置。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明误差指标、验证设计和不确定性，提升比例不能直接推广。
原文摘要
In this work, we study the pandemic course in the United States by considering national and state levels data. We propose and compare multiple time-series prediction techniques which incorporate auxiliary variables. One type of approach is based on spatio-temporal graph neural networks which forecast the pandemic course by utilizing a hybrid deep learning architecture and human mobility data. Nodes in this graph represent the state-level deaths due to COVID-19, edges represent the human mobility trend and temporal edges correspond to node attributes across time. The second approach is based on a statistical technique for COVID-19 mortality prediction in the United States that uses the SARIMA model and eXogenous variables. We evaluate these techniques on both state and national levels COVID-19 data in the United States and claim that the SARIMA and MCP models generated forecast values by the eXogenous variables can enrich the underlying model to capture complexity in respectively national and state levels data. We demonstrate significant enhancement in the forecasting accuracy for a COVID-19 dataset, with a maximum improvement in forecasting accuracy by 64.58% and 59.18% (on average) over the GCN-LSTM model in the national level data, and 58.79% and 52.40% (on average) over the GCN-LSTM model in the state level data. Additionally, our proposed model outperforms a parallel study (AUG-NN) by 27.35% improvement of accuracy on average.