非線形時系列のモデルフリー予後予測

科学分野:

• 疫学;複雑系解析;時系列予測

背景:

• COVID-19パンデミックは、感染症の進行の有効な分析の必要性を強調しました。従来の疫学モデルはデータフィッティングを必要としますが、ノイズの多い非線形時系列の直接評価が可能です。短期予測機能は、実用的な疫学分析に不可欠です。

研究 の 目的:

• 非線形時系列を分析および予測するための新しいモデルに依存しないアプローチを評価すること。時間遅延分析と特徴空間プロットを使用して疾患の蔓延を予測する有用性を評価すること。従来のモデル構築なしに機械学習が正確な短期予測を提供できるかどうかを判断すること。

主な方法:

• Our World in Dataから正規化された1日あたりの新規感染者数（人口100万人あたりの7日間移動平均）を利用しました。時間遅延データを含む時間遅延分析と特徴空間プロットを適用しました。株式市場やブローフライの個体群からの無関係な非線形時系列で方法を検証しました。

主要な成果:

• 機械学習モデルは、訓練のために時系列データの約80%を使用して、優れた進行予測を達成しました。動的キャリブレーション後の特徴空間プロットは、感染拡大のピークと一致する最大局所リアプノフ指数の上昇を示しました。平均相互情報分析は、様々な時間遅延と波長にわたる新たな感染ピークの予測信号を明らかにしました。

結論:

• 非線形時系列分析は、モデル構築なしで短期予測のための予測特性を抽出できます。時間遅延分析は、複雑な時間データを分析するための堅牢な基盤を提供します。機械学習アプローチは、このモデルに依存しないフレームワークで優れた予後的パフォーマンスを示しました。