Forecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks

• Autores: Luis Aguilar, Miguel Ibáñez Reluz, Juan C. Z. Aguilar, Elí W. Zavaleta Aguilar, L. Antonio Aguilar
• Localización: Selecciones Matemáticas, ISSN-e 2411-1783, Vol. 8, Nº. 1, 2021 (Ejemplar dedicado a: Enero-Julio), págs. 12-26
• Idioma: inglés
• DOI: 10.17268/sel.mat.2021.01.02
• Títulos paralelos:
  • Pronóstico del SARS-CoV-2 en las regiones peruanas: un enfoque de aprendizaje profundo utilizando redes neuronales convolucionales temporales
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación.

    Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones.

    A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.

     

  • English

    The SARS-CoV-2 pandemic had taken the world by surprise since its discovery on December 2019, causing major losses worldwide. In this work, a deep learning model was developed to predict and forecast the daily SARS-CoV-2 cases on the Peruvian regions. The data used belongs to the open covid–19 data set, sourced by the Health Ministry of Peru (MINSA). The data set includes the periods from March 03, 2020 to March 16, 2021. A holdout approach was used, creating a training and validation data splits. Using the validation set, a temporal convolution neural network (TCN) composed by five layers was developed. The model was design to predict a mean tendency alongside with a prediction interval. To find the best hyper parameter configuration, a Bayesian approach was applied over the validation set. The TCN model was trained using the optimal configuration. Once trained, the model was able to predict the different SARS-CoV-2 trends present in the regions. Next, a forecast was performed beyond the available data, using a window of 15 days ahead (March 17 to March 31, 2021) for each region. Forecast results suggested a continued trend for all the regions, except Lima. The model performance was evaluated using the MAE, MAD, MSLE and RMSLE metrics on the test period, showing training to validation metrics improvements of 14.534, 3.123, 0.042, 0.047 respectively.

• Referencias bibliográficas
  • Bchetnia M, Girard C, Duchaine C, Laprise C. The outbreak of the novel severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2): A review...
  • Harrison SL, Fazio-Eynullayeva E, Lane DA, Underhill P, Lip GYH. Comorbidities associated with mortality in 31,461 adults with COVID-19 in...
  • Giannis D, Ziogas IA, Gianni P. Coagulation disorders in coronavirus infected patients: COVID-19, SARS-CoV-1, MERS-CoV and lessons from the...
  • MINSA. Documento técnico atención y manejo clínico de casos de covid-19 - escenario de transmisión focalizada [Internet]. 2020 [cited 2021...
  • MINSA. Alerta epidemiológica código: AE-016- 2020 [Internet]. 2020 [cited 2021 Jan 29]. Available from: https://www.dge.gob.pe/portal/docs/alertas/2020/AE016.pdf
  • ESSALUD. Data COVID-19 - Reporte diário [Internet]. 2020 [cited 2021 Feb 04]. Available from: https://apps.essalud.gob.pe
  • MINSA. Gis Visor Vacunados [Internet]. 2020 [cited 2021 Mar 21]. Available from: https://gis.minsa.gob.pe /GisVisorVacunados/
  • Roser M, Ritchie H, Ortiz-Ospina E, Hasell J. Coronavirus pandemic (COVID-19) [Internet]. 2020 [cited 2021 Feb 04]. Available from: https://ourworldindata.org/coronavirus
  • MINSA. El Ministerio de Salud detectó la presencia de la variante brasileña del coronavirus en Loreto, Huánuco y Lima [Internet].
  • Feb 04 [cited 2021 Mar 21]. Available: https://www.gob.pe/institucion/minsa/noticias/341090-el-ministeriode-salud-detecto-la-presencia-de-la-variante-brasilena-del-coronavirus-en-loreto-huanuco-y-lima
  • Abou-Ismail A. Compartmental models of the COVID-19 pandemic for physicians and physician-scientists. SN Compr ClinMed. 2020 Jun 4; 2: 852-858....
  • Cooper I, Mondal A, Antonopoulos CG. A SIR model assumption for the spread of COVID-19 in different communities. Chaos Soliton Fract. 2020...
  • He S, Peng Y, Sun K. SEIR modeling of the COVID-19 and its dynamics. Nonlinear Dyn. 2020 Jun 18; 101:1667-1680. doi: 10.1007/s11071-020-05743-y.
  • Anastassopoulou C, Russo L, Tsakris A, Siettos C. Data-based analysis, modelling and forecasting of the COVID-19 outbreak. PLoS One. 2020...
  • Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 Feb 19; 20(5): 533–534....
  • Hochreiter S, Schmidhuber J. Long Short-Term Memory. Neural Comput. 1997 Nov; 9(8):1735–1780. doi:10.1162/neco.1997.9.8.1735.
  • Chimmula VKR, Zhang J. Time series forecasting of COVID-19 transmission in Canada using LSTM networks. Chaos Soliton Fract. 2020 Jun; 135:109864....
  • Zeroual A, Harrou F, Dairi A, Sun Y. Deep learning methods for forecasting COVID-19 time-Series data: A comparative study. Chaos Soliton Fract....
  • Mohimont L, Chemchem A, Alin F, Krajecki M, Steffenel L. Convolutional neural networks and temporal CNNs for covid-19 forecasting in France....
  • Huang CJ, Chen YH, Ma Y, Kuo PH. Multiple-input deep convolutional neural network model for COVID-19 forecasting in China. medRxiv. 2020 Mar...
  • Abbasimehr H, Paki R. Prediction of COVID-19 confirmed cases combining deep learning methods and Bayesian optimization. Chaos Soliton Fract....
  • Bai S, Kolter JZ, Koltun V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. arXiv. 2018; 19:1803.01271v2.
  • He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of the 2016 IEEE Conference on Computer Vision and...
  • MINSA. Casos positivos por COVID-19 - [Ministerio de Salud - MINSA] [Online]. 2020 [cited 2021 Mar 20]. Available from:
  • https://www.datosabiertos.gob.pe/dataset/casos-positivos-por-covid-19-ministerio-de-salud-minsa.
  • Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In: Lawrence N, Reid M,...
  • Nair V, Hinton GE. Rectified linear units improve restricted Boltzmann machines. Proceedings of the 27th International Conference
  • on International Conference on Machine Learning. 2010 Jun 21-24; Haifa, Israel. p. 807–814.
  • Hinton GE, Srivastava N, Krizhevsky A, Sutskever I, Salakhutdinov RR. Improving neural networks by preventing coadaptation of feature detectors....
  • Sutskever I, Martens J, Dahl G. Hinton G. On the importance of initialization and momentum in deep learning. Proceedings of the 30th International...
  • Balandat M, Karrer B, Jiang DR, Daulton S, Letham B,Wilson AG, Bakshy E. BoTorch: A framework for efficient Monte-Carlo Bayesian optimization....
  • Smith LN. Cyclical learning rates for training neural networks. Proceedings of the 2017 IEEE Winter Conference on Applications of Computer...
  • Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks. Teh YW, Titterington M, editors. Proceedings...