Modelling the COVID-19 Infection Trajectory: A Piecewise Linear Quantile Trend Model
COVID-19 感染轨迹建模：分段线性分位数趋势模型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。
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：摘要明确研究感染时间序列的分位数趋势、多重变点与短期预测，对应时间序列、结构变化和预测方法。
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
COVID-19 感染轨迹建模：分段线性分位数趋势模型
- 研究问题
- 如何在多个分位数上描述每日新增感染轨迹，识别疫情增长阶段的变化，并在异方差和异常值下进行短期预测？
- 方法与思路
- 作者提出分段线性分位数趋势模型，基于自归一化检验统计量设计多变点分割算法，并构造适应变化的两阶段预测方案。
- 材料陈述的贡献
- 摘要称建立分割一致性等理论保证，在三十五个国家的感染曲线上发现阶段模式，并报告短期累计新增病例预测表现。
- 阅读关注点
- 应核对时间依赖与变点条件、分割一致性的定义、预测区间构造及样本外评估，区分疫情模式与政策效果的因果证据。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体假设和预测误差未说明，国家间模式不能直接识别防疫政策的因果效果，也不能推断版本变化。
原文摘要
Abstract We propose a piecewise linear quantile trend model to analyse the trajectory of the COVID-19 daily new cases (i.e. the infection curve) simultaneously across multiple quantiles. The model is intuitive, interpretable and naturally captures the phase transitions of the epidemic growth rate via change-points. Unlike the mean trend model and least squares estimation, our quantile-based approach is robust to outliers, captures heteroscedasticity (commonly exhibited by COVID-19 infection curves) and automatically delivers both point and interval forecasts with minimal assumptions. Building on a self-normalized (SN) test statistic, this paper proposes a novel segmentation algorithm for multiple change-point estimation. Theoretical guarantees such as segmentation consistency are established under mild and verifiable assumptions. Using the proposed method, we analyse the COVID-19 infection curves in 35 major countries and discover patterns with potentially relevant implications for effectiveness of the pandemic responses by different countries. A simple change-adaptive two-stage forecasting scheme is further designed to generate short-term prediction of COVID-19 cumulative new cases and is shown to deliver accurate forecast valuable to public health decision-making.