Published October 1, 2020
| Version v1
Publication
Generated time-series prediction data of COVID-19′s daily infections in Brazil by using recurrent neural networks
Creators
Description
In light of the COVID-19 pandemic that has struck the world since the end of 2019, many endeavors have been carried out to overcome this crisis. Taking into consideration the uncertainty as a feature of forecasting, this data article introduces long-term time-series predictions for the virus's daily infections in Brazil by training forecasting models on limited raw data (30 time-steps and 40 time-steps alternatives). The primary reuse potential of this forecasting data is to enable decision-makers to develop action plans against the pandemic, and to help researchers working in infection prevention and control to: (1) explore limited data usage in predicting infections. (2) develop a reinforcement learning model on top of this data-lake, which can perform an online game between the trained models to generate a new capable model for predicting future true data. The prediction data was generated by training 4200 recurrent neural networks (54 to 84 days validation periods) on raw data from Johns Hopkins University's online repository, to pave the way for generating reliable extended long-term predictions.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في ضوء جائحة كوفيد-19 التي ضربت العالم منذ نهاية عام 2019، تم تنفيذ العديد من المساعي للتغلب على هذه الأزمة. مع الأخذ في الاعتبار عدم اليقين كميزة للتنبؤ، تقدم مقالة البيانات هذه تنبؤات سلاسل زمنية طويلة الأجل للعدوى اليومية للفيروس في البرازيل من خلال تدريب نماذج التنبؤ على بيانات أولية محدودة (30 خطوة زمنية و 40 خطوة زمنية بديلة). تتمثل إمكانية إعادة الاستخدام الأساسية لبيانات التنبؤ هذه في تمكين صانعي القرار من وضع خطط عمل ضد الوباء، ومساعدة الباحثين العاملين في مجال الوقاية من العدوى ومكافحتها على: (1) استكشاف الاستخدام المحدود للبيانات في التنبؤ بالعدوى. (2) تطوير نموذج تعليمي معزز فوق بحيرة البيانات هذه، والذي يمكنه إجراء لعبة عبر الإنترنت بين النماذج المدربة لتوليد نموذج جديد قادر على التنبؤ بالبيانات الحقيقية في المستقبل. تم إنشاء بيانات التنبؤ من خلال تدريب 4200 شبكة عصبية متكررة (54 إلى 84 يومًا من فترات التحقق) على البيانات الخام من مستودع جامعة جونز هوبكنز عبر الإنترنت، لتمهيد الطريق لتوليد تنبؤات موثوقة طويلة الأجل.Translated Description (French)
À la lumière de la pandémie de COVID-19 qui a frappé le monde depuis la fin de 2019, de nombreux efforts ont été déployés pour surmonter cette crise. En tenant compte de l'incertitude en tant que caractéristique de la prévision, cet article de données introduit des prévisions de séries chronologiques à long terme pour les infections quotidiennes du virus au Brésil en formant des modèles de prévision sur des données brutes limitées (30 étapes temporelles et 40 alternatives temporelles). Le principal potentiel de réutilisation de ces données de prévision est de permettre aux décideurs d'élaborer des plans d'action contre la pandémie et d'aider les chercheurs travaillant dans la prévention et le contrôle des infections à : (1) explorer l'utilisation limitée des données pour prédire les infections. (2) développer un modèle d'apprentissage par renforcement au-dessus de ce lac de données, qui peut effectuer un jeu en ligne entre les modèles formés pour générer un nouveau modèle capable de prédire les futures données vraies. Les données de prédiction ont été générées par la formation de 4200 réseaux de neurones récurrents (périodes de validation de 54 à 84 jours) sur les données brutes du référentiel en ligne de l'Université Johns Hopkins, pour ouvrir la voie à la génération de prédictions à long terme étendues fiables.Translated Description (Spanish)
A la luz de la pandemia de COVID-19 que ha azotado al mundo desde finales de 2019, se han llevado a cabo muchos esfuerzos para superar esta crisis. Teniendo en cuenta la incertidumbre como característica del pronóstico, este artículo de datos presenta predicciones de series de tiempo a largo plazo para las infecciones diarias del virus en Brasil mediante la capacitación de modelos de pronóstico en datos brutos limitados (alternativas de 30 pasos de tiempo y 40 pasos de tiempo). El potencial de reutilización principal de estos datos de pronóstico es permitir a los responsables de la toma de decisiones desarrollar planes de acción contra la pandemia y ayudar a los investigadores que trabajan en la prevención y el control de infecciones a: (1) explorar el uso limitado de datos para predecir infecciones. (2) desarrollar un modelo de aprendizaje de refuerzo sobre este lago de datos, que pueda realizar un juego en línea entre los modelos entrenados para generar un nuevo modelo capaz de predecir datos verdaderos futuros. Los datos de predicción se generaron mediante el entrenamiento de 4200 redes neuronales recurrentes (períodos de validación de 54 a 84 días) con datos sin procesar del repositorio en línea de la Universidad Johns Hopkins, para allanar el camino para generar predicciones confiables a largo plazo.Additional details
Additional titles
- Translated title (Arabic)
- تم إنشاء بيانات التنبؤ بالسلاسل الزمنية للعدوى اليومية لـ COVID -19 في البرازيل باستخدام الشبكات العصبية المتكررة
- Translated title (French)
- Génération de données de prédiction chronologiques des infections quotidiennes de la COVID-19 au Brésil à l'aide de réseaux de neurones récurrents
- Translated title (Spanish)
- Generación de datos de predicción de series de tiempo de las infecciones diarias de COVID-19 en Brasil mediante el uso de redes neuronales recurrentes
Identifiers
- Other
- https://openalex.org/W3049695387
- DOI
- 10.1016/j.dib.2020.106175
References
- https://openalex.org/W3004397688
- https://openalex.org/W3006914768
- https://openalex.org/W3008443627
- https://openalex.org/W3012798837
- https://openalex.org/W3013360115
- https://openalex.org/W3013649595
- https://openalex.org/W3017715647
- https://openalex.org/W3017843887
- https://openalex.org/W3024620312
- https://openalex.org/W3025628545