Short-term Forecast of Respiratory Virus Transmission in Ontario
Short-term COVID-19 forecasting is vital for public health planning. This project improves prediction accuracy in Ontario by enhancing Generalized Additive Models with time series methods, seasonality adjustments, and lagged predictors.
To capture age-specific trends, we modeled adult and pediatric positivity rates separately. GAMs were combined with autoregressive models under Poisson, negative binomial, beta, and binomial distributions, with Bayesian inference managing uncertainty. Performance was assessed via time series cross-validation using MAPE and MSE.
Integrating time series improved accuracy. The adult model better captured short-term fluctuations, while the pediatric model reflected school-driven seasonality. Models incorporating autocorrelation showed the best performance.
This approach strengthens COVID-19 forecasting and informs public health decisions. Future work will extend models to seniors(age > 65), incorporate influenza and RSV, and develop multivariate forecasting
To capture age-specific trends, we modeled adult and pediatric positivity rates separately. GAMs were combined with autoregressive models under Poisson, negative binomial, beta, and binomial distributions, with Bayesian inference managing uncertainty. Performance was assessed via time series cross-validation using MAPE and MSE.
Integrating time series improved accuracy. The adult model better captured short-term fluctuations, while the pediatric model reflected school-driven seasonality. Models incorporating autocorrelation showed the best performance.
This approach strengthens COVID-19 forecasting and informs public health decisions. Future work will extend models to seniors(age > 65), incorporate influenza and RSV, and develop multivariate forecasting
Prévision à court terme de la transmission de virus respiratoire en Ontario
Des prévisions à court terme du COVID-19 sont essentielles pour la planification en santé publique. Ce projet améliore la précision des prévisions en Ontario en renforçant les modèles additifs généralisés avec des méthodes de séries temporelles, des ajustements de saisonnalité et des prédicteurs décalés.
Pour saisir les tendances spécifiques à l'âge, nous avons modélisé séparément les taux de positivité chez les adultes et les enfants. Nous avons combiné des GAM avec des modèles autorégressifs sous des distributions de Poisson, binomiale négative, bêta et binomiale, l'inférence bayésienne gérant l'incertitude. Nous avons évalué les performances par validation croisée de séries temporelles à l'aide de MAPE et de l'EQM.
L'intégration des séries temporelles améliore la précision. Le modèle pour adultes capture mieux les fluctuations à court terme, tandis que le modèle pédiatrique reflète la saisonnalité liée à l'école. Les modèles intégrant l'autocorrélation affichent les meilleures performances.
Cette approche permet de renforcer les prévisions de COVID-19 et d'éclairer les décisions de santé publique. Les travaux futurs permettront d'étendre les modèles aux personnes âgées (> 65 ans), d'intégrer la grippe et le VRS et de développer des prévisions multivariées.
Pour saisir les tendances spécifiques à l'âge, nous avons modélisé séparément les taux de positivité chez les adultes et les enfants. Nous avons combiné des GAM avec des modèles autorégressifs sous des distributions de Poisson, binomiale négative, bêta et binomiale, l'inférence bayésienne gérant l'incertitude. Nous avons évalué les performances par validation croisée de séries temporelles à l'aide de MAPE et de l'EQM.
L'intégration des séries temporelles améliore la précision. Le modèle pour adultes capture mieux les fluctuations à court terme, tandis que le modèle pédiatrique reflète la saisonnalité liée à l'école. Les modèles intégrant l'autocorrélation affichent les meilleures performances.
Cette approche permet de renforcer les prévisions de COVID-19 et d'éclairer les décisions de santé publique. Les travaux futurs permettront d'étendre les modèles aux personnes âgées (> 65 ans), d'intégrer la grippe et le VRS et de développer des prévisions multivariées.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais