Sequential time-window learning with approximate Bayesian computation: an application to epidemic forecasting

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorUniversidade Estadual de Campinas (UNICAMP)-
Autor(es): dc.contributorLaboratório Nacional de Computção Científica-
Autor(es): dc.contributorRio de Janeiro State University-
Autor(es): dc.contributorUniversidade de São Paulo (USP)-
Autor(es): dc.contributorUniversity of Alberta-
Autor(es): dc.creatorValeriano, João Pedro-
Autor(es): dc.creatorCintra, Pedro Henrique-
Autor(es): dc.creatorLibotte, Gustavo-
Autor(es): dc.creatorReis, Igor-
Autor(es): dc.creatorFontinele, Felipe-
Autor(es): dc.creatorSilva, Renato-
Autor(es): dc.creatorMalta, Sandra-
Data de aceite: dc.date.accessioned2025-08-21T17:19:18Z-
Data de disponibilização: dc.date.available2025-08-21T17:19:18Z-
Data de envio: dc.date.issued2023-07-29-
Data de envio: dc.date.issued2023-07-29-
Data de envio: dc.date.issued2022-12-31-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1007/s11071-022-07865-x-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/248024-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/248024-
Descrição: dc.descriptionThe long duration of the COVID-19 pandemic allowed for multiple bursts in the infection and death rates, the so-called epidemic waves. This complex behavior is no longer tractable by simple compartmental model and requires more sophisticated mathematical techniques for analyzing epidemic data and generating reliable forecasts. In this work, we propose a framework for analyzing complex dynamical systems by dividing the data in consecutive time-windows to be separately analyzed. We fit parameters for each time-window through an approximate Bayesian computation (ABC) algorithm, and the posterior distribution of parameters obtained for one window is used as the prior distribution for the next window. This Bayesian learning approach is tested with data on COVID-19 cases in multiple countries and is shown to improve ABC performance and to produce good short-term forecasting.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ)-
Descrição: dc.descriptionInstituto de Física Teórica Universidade Estadual Paulista, R. Dr. Bento Teobaldo Ferraz, 271, Bloco 2, Barra Funda, SP-
Descrição: dc.descriptionInstituto de Física Gleb Wataghin Universidade Estadual de Campinas, Rua Sérgio Buarque de Holanda, 777, SP-
Descrição: dc.descriptionLaboratório Nacional de Computção Científica, Av. Getulio Vargas, 333, RJ-
Descrição: dc.descriptionDepartment of Computational Modeling Polytechnic Institute Rio de Janeiro State University-
Descrição: dc.descriptionInstituto de Física de São Carlos Universidade de São Paulo, Av. Trab. São Carlense, 400 - Parque Arnold Schimidt, SP-
Descrição: dc.descriptionDepartment of Physics University of Alberta, 116 St & 85 Ave-
Descrição: dc.descriptionInstituto de Física Teórica Universidade Estadual Paulista, R. Dr. Bento Teobaldo Ferraz, 271, Bloco 2, Barra Funda, SP-
Descrição: dc.descriptionFAPESP: 2020/14169-0-
Descrição: dc.descriptionFAPESP: 2021/02027-0-
Descrição: dc.descriptionCAPES: 88887.625345/2021-00-
Descrição: dc.descriptionFAPERJ: E-26/200.347/2021-
Formato: dc.format549-558-
Idioma: dc.languageen-
Relação: dc.relationNonlinear Dynamics-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectApproximate Bayesian computation-
Palavras-chave: dc.subjectCovid-19-
Palavras-chave: dc.subjectEpidemic forecasting-
Palavras-chave: dc.subjectSEIRD model-
Título: dc.titleSequential time-window learning with approximate Bayesian computation: an application to epidemic forecasting-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.