第100+6步 ChatGPT文献复现:ARIMAX预测新冠

2024-04-24 08:20

本文主要是介绍第100+6步 ChatGPT文献复现:ARIMAX预测新冠,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

基于WIN10的64位系统演示

一、写在前面

我们继续来解读ARIMAX模型文章,这一轮带来的是:

《PLoS One》杂志的2022年一篇题目为《A data-driven eXtreme gradient boosting machine learning model to predict COVID-19 transmission with meteorological drivers》文章的公开数据做案例。

这文章做的是用:使用Xgboost结合天气数据预测新冠。

题目里没说ARIMAX模型,实际上它在文章中被作为对照组。

二、闲聊和复现:结果一描述性分析

1全文技术路线

① 收集天气相关的数据,比如气温、湿度、降雨量、风速和气压。作者认为这些天气情况可能会影响病毒的传播。

② 使用了两种不同的统计模型来分析数据和做出预测:ARIMAX和XGBoost。

③ 将模型输出的预测数值与实际发生的病例数进行对比,来看看哪个模型的预测更准确。

④ 选择那个对于某个特定国家预测结果更好的模型,认为这个模型是最适合用来预测那个国家的COVID-19病例数的。

简单来说,这个研究就是试图找出最好的方法来预测不同国家的COVID-19病例数,帮助我们理解疫情可能如何发展。

GPT看图写作文,我只是搬运过来。也就是用气象数据辅助预测COVID-19,感觉这个思路是万金油,可能也可以预测股票走势。

(2)逐段解析

第一、二段,描述性统计,没啥好说的,就是丰富结果(凑图)呗:

第三段,直奔主题:

翻译一下:

这段时间序列图展示了自疫情开始至2022年1月29日,各个南亚区域合作联盟(SAARC)国家的COVID-19确诊病例趋势。孟加拉国、尼泊尔和巴基斯坦的每日确诊病例在不同时期出现波动,包括一些高速上升的趋势。阿富汗和斯里兰卡的模式非常相似,显示出明显的下降倾向。总体而言,不丹和马尔代夫的COVID-19传播率相对于其他SAARC国家来说较低(见图3)。COVID-19确诊病例与气象变量之间的互相关性在0至30的滞后时间内形成。

为了探究在特定时期气象因素对COVID-19传播的影响,只考虑了正的滞后时间[48]。在阿富汗,最高温度和最低温度在滞后时间0处显示出与COVID-19确诊病例显著相关。在印度,只有在滞后时间4天的最高温度显示出显著关系。在孟加拉国滞后9天和马尔代夫滞后13天的最大风速显示出显著关系。在不丹的滞后26天和尼泊尔的滞后10天的相对湿度与COVID-19确诊病例显示出显著相关。地表气压在印度滞后9天、斯里兰卡滞后13天以及巴基斯坦滞后28天与COVID-19确诊病例显示出显著相关(见图4)。

解读,很明显可以分成两段话:

① 疫情趋势图的描述,没啥好说的哈,就客观描述就好;

② 疫情时序图与气象自变量的相关矩阵分析,我们用SPSS整一下:

第一个图是Afghanistan的疫情与最高温度:

有一点要注意的是定义日期得谁,选天哈。

看看这个结果:相关性绝了,气候因素真实万金油的存在。

回到文章的描述:“在阿富汗,最高温度和最低温度在滞后时间0处显示出与COVID-19确诊病例显著相关。”:问题来了,为啥只描述滞后0处,1-30没有描述?而且最后构建ARIMAX模型的时候,选取哪个滞后阶数?

类似的,其他国家的也是存在这种现象,

“在印度,只有在滞后时间4天的最高温度显示出显著关系。”:然后我发现他们在图四中放错图了,并不是最高温度,正确的图如下:

似乎、貌似、可能0-30天都有相关关系吧,求解答。

其他结果,大家自行探索吧。

第四段,构建ARIMAX模型:

翻译:

上述气象因素作为协变量,在不同的滞后期内被用于ARIMAX模型中,以确定它们对COVID-19确诊病例的影响。例如,在阿富汗,滞后0的最高和最低温度被用作构建ARIMAX模型的协变量。同样,对于孟加拉国、不丹、印度、马尔代夫、尼泊尔、巴基斯坦和斯里兰卡,滞后变量被用作协变量,并在表2中显示了这些变量对疾病的影响。

表2展示了阿富汗同一天(即滞后0)的最低温度(β = -8.93,95% CI: -14.30, -3.56)对COVID-19病例传播产生了负面影响。印度滞后4天的最高温度(β = 0.18,95% CI: 0.01, 0.35)和阿富汗同一天(即滞后0)的最高温度(β = 11.91,95% CI: 4.77, 19.05)对COVID-19确诊病例的传播产生了正面影响。孟加拉国滞后9天的最大风速(β = -53.89,95% CI: -93.45, -14.32)和马尔代夫滞后13天的最大风速(β = -4.24,95% CI: -8.31, -0.18)对COVID-19确诊病例的传播产生了负面影响。尼泊尔滞后10天的相对湿度(β = -4.84,95% CI: -9.20, -0.48)和不丹滞后26天的相对湿度(β = -0.12,95% CI: -0.22, -0.02)对COVID-19确诊病例产生了负面影响。巴基斯坦滞后28天的地面压力(β = 25.77,95% CI: 7.85, 43.69)和斯里兰卡滞后13天的地面压力(β = 411.63,95% CI: 49.04, 774.23)对COVID-19确诊病例产生了正面影响。此外,印度滞后9天的地面压力(β = -1.91,95% CI: -3.75, -0.06)对COVID-19确诊病例的传播产生了负面影响。关于气象因素对COVID-19传播影响的详细结果在表2中呈现。

这里他们把建模策略说的比较详细了:首先建立ARIMA模型,然后纳入气象因素。至于气象因素的滞后因子的取值,就一个一个尝试(统计检验需P值小于0.05),我们使用SPSS,以印度为例子:

(1)寻找最优的ARIMA模型,我就直接上结果:

ARIMA(0,1,6),跟文章中的不太一样,毕竟软件不同。注意,这里没有使用季节参数P、D、Q。

(2)加入最高温度纳入自变量,寻找最优的ARIMAX模型,我把最高温度滞后值从0尝试到30,只有滞后等于19的时候,P值小于0.05:

可以看到,模型的参数除了MAPE提升了不少,其他似乎大同小异。至于“(β = 0.18,95% CI: 0.01, 0.35)”,SPSS似乎不能提供了。

三、个人感悟

ARIMAX模型,并非看着的那么光鲜亮丽,有时候还不如单纯的ARIMA模型。

四、数据

链接:https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0273319

这篇关于第100+6步 ChatGPT文献复现:ARIMAX预测新冠的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/931223

相关文章

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Spring AI ectorStore的使用流程

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介... 目录一、VectorStore的基本概念二、VectorStore的核心接口三、VectorStore的

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI集成DeepSeek实现流式输出的操作方法

《SpringAI集成DeepSeek实现流式输出的操作方法》本文介绍了如何在SpringBoot中使用Sse(Server-SentEvents)技术实现流式输出,后端使用SpringMVC中的S... 目录一、后端代码二、前端代码三、运行项目小天有话说题外话参考资料前面一篇文章我们实现了《Spring

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

Spring AI集成DeepSeek的详细步骤

《SpringAI集成DeepSeek的详细步骤》DeepSeek作为一款卓越的国产AI模型,越来越多的公司考虑在自己的应用中集成,对于Java应用来说,我们可以借助SpringAI集成DeepSe... 目录DeepSeek 介绍Spring AI 是什么?1、环境准备2、构建项目2.1、pom依赖2.2

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首

SpringBoot整合DeepSeek实现AI对话功能

《SpringBoot整合DeepSeek实现AI对话功能》本文介绍了如何在SpringBoot项目中整合DeepSeekAPI和本地私有化部署DeepSeekR1模型,通过SpringAI框架简化了... 目录Spring AI版本依赖整合DeepSeek API key整合本地化部署的DeepSeek