Abstracts IJEE 6 (1.4)

Abstract: Background: An alternative to epidemiological models for transmission dynamics of Covid-19 in China, we propose the artificial intelligence (AI)-inspired methods for real-time forecasting of Covid-19 to estimate the size, lengths and ending time of Covid-19 across China. Methods: We developed a modified stacked autoencoder for modeling the transmission dynamics of the epidemics. We applied this model to real-time forecasting the confirmed cases of Covid-19 across China. The data were collected from January 11 to February 27, 2020 by WHO. We used the latent variables in the auto-encoder and clustering algorithms to group the provinces/cities for investigating the transmission structure. Results: We forecasted curves of cumulative confirmed cases of Covid-19 across China from Jan 20, 2020 to April 20, 2020. Using the multiple-step forecasting, the estimated average errors of 6-step, 7-step, 8-step, 9-step and 10-step forecasting were 1.64%, 2.27%, 2.14%, 2.08%, 0.73%, respectively. We predicted that the time points of the provinces/cities entering the plateau of the forecasted transmission dynamic curves varied, ranging from Jan 21 to April 19, 2020. The 34 provinces/cities were grouped into 9 clusters. Conclusions: The accuracy of the AI-based methods for forecasting the trajectory of Covid-19 was high. We predicted that the epidemics of Covid-19 will be over by the middle of April. If the data are reliable and there are no second transmissions, we can accurately forecast the transmission dynamics of the Covid-19 across the provinces/cities in China. The AIinspired methods are a powerful tool for helping public health planning.

Resumen: Antecedentes: Como alternativa a los modelos epidemiológicos para la dinámica de transmisión del COVID-19 en China, proponemos métodos basados en la inteligencia artificial (IA) para la predicción a tiempo real del COVID-19 y con el fin de estimar el tamaño, la duración y conclusión del COVID-19 en China. Métodos: Desarrollamos un auto-codificador apilado modificado para modelar la dinámica de transmisión de las epidemias. Aplicamos este modelo para pronosticar en tiempo real los casos confirmados de COVID-19. Los datos fueron los recopilados del 11 de enero al 27 de febrero de 2020 por la WHO. Usamos las variables latentes en los algoritmos de autocodificador y clustering para agrupar las provincias con el objetivo de investigar la estructura de transmisión. Resultados: llevamos a cabo un pronóstico mediante curvas de casos confirmados y acumulativos de COVID-19 desde el 20/01/2020 hasta el 20/04/2020. Los errores promedio estimados en estos pronósticos, de 6, 7, 8, 9 y 10 pasos, fueron 1,64%, 2,27%, 2,14%, 2,08% y 0,73%, respectivamente. Predijimos que los puntos temporales de las provincias que entraban en la meseta de las curvas dinámicas de transmisión pronosticadas variarían desde el 21/01/20 al 19/04/2020. Las 34 provincias fueron agrupadas en 9 grupos. Conclusiones: La precisión de los métodos basados en la IA para pronosticar la trayectoria de COVID-19 fue alta. Estimamos que la epidemia terminará a mediados de abril. Si los datos son fiables y no hay segundas transmisiones, podemos pronosticar de manera precisa la dinámica de transmisión de COVID-19 a través de las provincias chinas. Los métodos inspirados en la IA resultan una poderosa herramienta para ayudar en la planificación de la salud pública.

Key-words: COVID-19, Artificial Intelligence, Transmission Dynamics, Forecasting, Time Series, Auto-Encoder.

Palabras Clave: COVID-19, Inteligencia Artificial, Dinámica de Transmisión, Previsión, Series Temporales, Auto-Encoder.