Predicción a corto plazo del comportamiento de la COVID-19 en Cuba: Un análisis desde la perspectiva del Aprendizaje Automático

Autores/as

  • Héctor González Facultad 2, Universidad de las Ciencias Informáticas, La Habana, Cuba.
  • Carlos Morell Centro de Investigaciones de la informática, Universidad Central "Marta Abreu" de Las Villas, Villa Clara, Cuba
  • Yanet Rodríguez Departamento de Ciencias de la computación, Universidad Central Marta Abreu de Las Villas, Villa Clara, Cuba.

Palabras clave:

COVID-19, Predicción a corto plazo, Aprendizaje automático

Resumen

La COVID-19 es una enfermedad infecciosa que se propaga rápidamente por todo el mundo y que ha representado un reto importante para los sistemas sanitarios nacionales. Cuba también se ha visto afectada por esta pandemia y la capacidad de predecir el comportamiento a corto plazo de la cantidad de casos infectados acumulados en un día es una herramienta muy útil que necesitan las autoridades sanitarias nacionales. El presente manuscrito aborda el problema de la predicción a corto plazo de la variable de interés mediante el uso de técnicas clásicas del Aprendizaje Automatizado. Para ello se propone un método para el pre-procesamiento de los datos originales que permita la creación de un conjunto de aprendizaje válido. Posteriormente se selecciona y entrena un modelo predictivo basado en la regresión lineal con penalización que permite hacer predicciones acertadas y robustas de la variable bajo estudio.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Benıtez-Pena, Sandra, Emilio Carrizosa, Vanesa Guerrero y Marıa Dolores: Short-Term Predictions of the Evolution of COVID-19 in Andalusia. An Ensemble Method. 2020.

Chakraborty, Tanujit y Indrajit Ghosh: Real-time forecasts and risk assessment of novel coronavirus (COVID19) cases: A data-driven analysis. arXiv preprint arXiv:2004.09996, 2020.

Collins, Sean: Prediction techniques for Box–Cox regression models. Journal of Business & Economic Statistics, 9(3):267–277, 1991.

COVID-19, CUBA DATA: CUBA DATA COVID-19, 2020. https://covid19cubadata.github. io/#cuba, visitado el 2020-05-30.

Flaxman, Seth, Swapnil Mishra, Axel Gandy, H Unwin, H Coupland, T Mellan, H Zhu, T Berah, J Eaton, P Perez Guzman y cols.: Report 13: Estimating the number of infections and the impact of non-pharmaceutical interventions on COVID-19 in 11 European countries. 2020.

Granger, Clive WJ y Paul Newbold: Forecasting transformed series. Journal of the Royal Statistical Society: Series B (Methodological), 38(2):189–203, 1976.

Makridakis, Spyros, Evangelos Spiliotis y Vassilios Assimakopoulos: The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1):54–74, 2020.

Papacharalampous, Georgia, Hristos Tyralis y Demetris Koutsoyiannis: Univariate time series forecasting of temperature and precipitation with a focus on machine learning algorithms: A multiple-case study from Greece. Water resources management, 32(15):5207–5239, 2018.

Sanahuja, José Antonio: COVID-19: riesgo, pandemia y crisis de gobernanza global. Anuario CEIPAZ 20192020. Riesgos globales y multilateralismo: el impacto de la COVID-19, páginas 27–54, 2020.

Siami-Namini, Sima y Akbar Siami Namin: Forecasting economics and financial time series: ARIMA vs. LSTM. arXiv preprint arXiv:1803.06386, 2018.

Spyromitros-Xioufis, Eleftherios, Grigorios Tsoumakas, William Groves y Ioannis Vlahavas: Multi-target regression via input space expansion: treating targets as inputs. Machine Learning, 104(1):55–98, 2016.

Tibshirani, Robert: Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1):267–288, 1996.

Tibshirani, Robert: The lasso method for variable selection in the Cox model. Statistics in medicine, 16(4):385395, 1997.

Tibshirani, Robert: Regression shrinkage and selection via the lasso: a retrospective. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 73(3):273–282, 2011.

Tseng, Paul: Convergence of a block coordinate descent method for nondifferentiable minimization. Journal of optimization theory and applications, 109(3):475–494, 2001.

(WHO), World Health Organization y cols.: Protocolo de investigación de los primeros casos y sus contactos directos (FFX) de la enfermedad por Coronavirus 2019 (COVID-19).

Descargas

Publicado

2020-12-01

Cómo citar

[1]
González, H. et al. 2020. Predicción a corto plazo del comportamiento de la COVID-19 en Cuba: Un análisis desde la perspectiva del Aprendizaje Automático. Ciencias matemáticas. 34, 1 (dic. 2020), 123–127.

Número

Vol. 34 Núm. 1: Diciembre, 2020

Sección

Artículo Original

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.