用于自适应公共卫生预测的机器学习和 ARIMA 模型平均：比较评估和安大略省 COVID-19 案例研究

arXiv:2608.20406v1 公告类型：新 摘要：公共卫生预测必须对监测数据的突然变化做出反应，而不会过度推断噪音、报告伪影或临时趋势。我们使用 2020 年 1 月至 2023 年 10 月期间公开的安大略省 COVID-19 病例数的 190 周观察结果来评估自回归积分移动平均 (ARIMA)、随机森林和极端梯度增强 (XGBoost) 模型。滚动源时间序列交叉验证在模型调整和评估期间保留了时间顺序。绩效评估涵盖三个运营维度：选定转折点后的响应能力、一到六周的预测范围以及历史培训数据量。我们还开发了机器学习和 ARIMA 模型平均 (MLAMA)，这是一种非负绩效加权集成，其权重因预测范围和响应能力设置而异。回顾性比较表明，ARIMA 在转折点后迅速适应，但其归一化误差在较长时间范围内增加。随机森林和 XGBoost 最初响应较差，但在较长时间内保持更稳定的标准化误差。对于研究期结束时的两周预测，使用最新数据进行训练的效果优于使用较长历史时期的训练，尤其是对于 XGBoost。 MLAMA 在大多数预测范围内实现了最低的归一化平均绝对百分比误差，并且在响应性设置中跻身表现最佳的方法之列。这些发现支持根据运行条件选择预测模型，而不是依赖单一的普遍首选的方法。 MLAMA 提供了一个结合互补统计和机器学习预测的实用框架。随附的 Python 包当前维护在私有存储库中，同时软件验证和可重复性测试已完成。