Time series analysis for modeling and predicting confirmed cases of influenza a in Algeria

封面

如何引用文章

全文:

详细

Influenza A is a subtype of the influenza virus that primarily infects birds and mammals, causing respiratory illness. It is characterized by its ability to mutate rapidly, leading to various strains and occasional pandemics. Objective. This paper is dedicated to studying the distribution behavior and predicting confirmed cases of Influenza A within the Algerian context, a highly infectious dis- ease that causes widespread illness and deaths both in Algeria and globally. Materials and methods. To predict confirmed cases of Influenza A, we implemented several statistical models, including ARIMA, Seasonal ARIMA (SARIMA), ETS, BATS, and the machine learning technique RNN, which is widely recognized in the literature. We then conducted a comparative study using performance measures to evaluate these models. Results. We used RMSE to determine the best-performing model. Our findings indicate that RNN outperformed the others due to its ability to handle complex patterns, including seasonal components and memory. SARIMA and BATS also performed well, thanks to their capacity to manage seasonal patterns. In contrast, ARIMA and ETS showed the poorest performance. Conclusion. This study employed a comprehensive approach to develop a model for predicting confirmed cases of Influenza A in Algeria. The results enhance our understanding of the potential future behavior of this disease and contribute to effective risk management strategies.

作者简介

Djillali Seba

Higher School of Informatics

编辑信件的主要联系方式.
Email: d.seba@esi-sba.dz

д.мат.н., доцент, лаборатория прикладной математики, факультет математики

阿尔及利亚, Sidi Bel Abbes

N. Benaklef

University of Bejaia

Email: d.seba@esi-sba.dz

PhD Student in Mathematics, Speciality “Probability and Statistics”, Member of Applied Mathematics Laboratory

阿尔及利亚, Bejaia

K. Belaide

University of Bejaia

Email: d.seba@esi-sba.dz

Doctor in Mathematics, Full Professor, Laboratory of Applied Mathematics, Department of Mathematics

阿尔及利亚, Bejaia

参考

  1. Ali S.T., Cowling B.J. Influenza virus: tracking, predicting, and forecasting. Annu Rev. Public Health, 2021, vol. 42, pp. 43–57. doi: 10.1146/annurev-publhealth-010720-021049
  2. Al-Qaness M.A.A., Ewees A.A., Fan H., Abd Elaziz M. Optimized forecasting method for weekly influenza confirmed cases. Int. J. Environ. Res. Public Health., 2020, vol. 17, no. 10: 3510. doi: 10.3390/ijerph17103510
  3. Boostani R., Rismanchi M., Khosravani A., Rashidi L., Kouchaki S. Presenting a hybrid method in order to predict the 2009 pandemic influenza A (H1N1). J. Health. Med. Inform., 2012, vol. 3, no. 1, pp. 31–43. doi: 10.4172/2157-7420.1000112
  4. Cheng H.Y., Wu Y.C., Lin M.H., Liu Y.L., Tsai Y.Y., Wu J.H., Pan K.H., Ke C.J., Chen C.M., Liu D.P., Lin I.F., Chuang J.H. Applying machine learning models with an ensemble approach for accurate real-time influenza forecasting in Taiwan: development and validation study. J. Med. Internet Res., 2020, vol. 22, no. 8: e15394. doi: 10.2196/15394
  5. De Livera A.M., Hyndman R.J., Snyder R.D. Forecasting time series with complex seasonal patterns using exponential smoothing. J. Am. Stat. Assoc., 2011, vol. 106, no. 496, pp. 1513–1527. doi: 10.1198/jasa.2011.tm09771
  6. Feradi F., Bouhata R., Kalla M.I., Kalla M. Assessing avian influenza vulnerability using geographically weighted regression, Batna Algeria. The Arab. World. Geographer, 2023, vol. 26, no. 1, pp. 76–87. doi: 10.5555/1480-6800-26.1.76
  7. Goldstein E., Cobey S., Takahashi S., Miller J.C., Lipsitch M. Predicting the epidemic sizes of influenza A/H1N1, A/H3N2, and B: a statistical method. PLoS Med., 2011, vol. 8, no. 7: e1001051. doi: 10.1371/journal.pmed.1001051
  8. Kandula S., Yamana T., Pei S., Yang W., Morita H., Shaman J. Evaluation of mechanistic and statistical methods in forecasting influenza-like illness. J R Soc. Interface, 2018, vol. 15, no. 144: 20180174. doi: 10.1098/rsif.2018.0174
  9. Khan M.A., Abidi W.U.H., Ghamdi M.A.A., Almotiri S.H., Saqib S., Alyas T., Khan K.M., Mahmood N. Forecast the influenza pandemic using machine learning. Comput. Mater. Contin., 2021, vol. 66, no. 1, pp. 331–340. doi: 10.32604/cmc.2020.012148
  10. Lu Y., Wang Y., Shen C., Luo J., Yu W. Decreased incidence of influenza during the COVID-19 pandemic. Int. J. Gen. Med., 2022, vol. 15, pp. 2957–2962. doi: 10.2147/IJGM.S343940
  11. Mejia K., Viboud C., Santillana M. Leveraging Google search data to track influenza outbreaks in Africa. Gates Open Research, 2019, vol. 3, no. 1653: 1653. doi: 10.12688/gatesopenres.13072.1
  12. Seba D., Belaide K. Forecasting infection fatality rate of COVID-19: measuring the efficiency of several hybrid models. Russian Journal of Infection and Immunity, 2024, vol. 14, no. 2, pp. 313–319. doi: 10.15789/2220-7619-FIF-17548
  13. Wolk D.M., Lanyado A., Tice A.M., Shermohammed M., Kinar Y., Goren A., Chabris C.F., Meyer M.N., Shoshan A., Abedi V. Prediction of influenza complications: development and validation of a machine learning prediction model to improve and expand the identification of vaccine-hesitant patients at risk of severe influenza complications. J. Clin. Med., 2022, vol. 11, no. 15: 4342. doi: 10.3390/jcm11154342
  14. Xu Q., Gel Y.R., Ramirez Ramirez L.L., Nezafati K., Zhang Q., Tsui K.L. Forecasting influenza in Hong Kong with Google search queries and statistical model fusion. PLoS One, 2017, vol. 12, no. 5: e0176690. doi: 10.1371/journal.pone.0176690
  15. Xue H., Bai Y., Hu H., Liang H. Regional level influenza study based on Twitter and machine learning method. PLoS One, 2019, vol. 14, no. 4: e0215600. doi: 10.1371/journal.pone.0215600
  16. Zheng Y., Wang K., Zhang L., Wang L. Study on the relationship between the incidence of influenza and climate indicators and the prediction of influenza incidence. Environ. Sci. Pollut. Res. Int., 2021, vol. 28, no. 1, pp. 473–481. doi: 10.1007/s11356-020-10523-7

补充文件

附件文件
动作
1. JATS XML
下载
2. Figure 1. Monthly confirmed cases of influenza A

下载 (82KB)
索引源数据
3. Figure 2. ACF and PACF plots

下载 (165KB)
索引源数据
4. Figure 3. Predicting confirmed cases of Influenza A in Algeria

下载 (90KB)
索引源数据

版权所有 © Seba D., Benaklef N., Belaide K., 2025

Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».