SCIENTIA SINICA Mathematica, https://doi.org/10.1360/SSM-2020-0055

## Nonlinear regression in COVID-19 forecasting

• AcceptedMar 5, 2020
• PublishedMar 12, 2020
Share
Rating

### Abstract

This paper introduces some kinds of nonlinear growth curvesfor forecasting cumulative COVID-19 patients.It is shown that the Richards curve is reasonable and flexible in this COVID-19 forecasting. The nonlineargrowth curve regression model is established for forecasting cumulative COVID-19 patients and the parameterestimation approach for the model is also given. Specifically, the COVID-19 situation forecasting in Chinais made well which includes forecasting based on consecutive and piecewise time fitting. It provides a goodbasis for the future work.

### References

[1] Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: A modelling study. Lancet, 2020, 395: 689-697 CrossRef Google Scholar

[2] Read J M, Bridgen J R E, Cummings D A T, et al. Novel coronavirus 2019-nCoV: Early estimation of epidemiological parameters and epidemic predictions. BMJ, 2020, doi: 10.1101/2020.01.23.20018549. Google Scholar

[3] Yang Z, Zeng Z, Wang K, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. J Thoracic Disease, 2020, in press. Google Scholar

[4] 严阅, 陈瑜, 刘可??,等. 基于一类时滞动力学系统对新型冠状病毒肺炎疫情的建模和预测. 中国科学: 数学, 2020, 50: 385--392. Google Scholar

[5] Li Q, Guan X, Wu P. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia. N Engl J Med, 2020, doi: 10.1056/NEJMoa2001316 CrossRef PubMed Google Scholar

[6] Backer J A, Klinkenberg D, Wallinga J. Incubation period of 2019 novel coronavirus (2019-nCoV) infections among travellers from Wuhan, China, 20--28, January 2020. Eurosurveillance, 2020, 25: 2000062. Google Scholar

[7] Guan W J, Ni Z Y, Hu Y, et al. Clinical characteristics of 2019 novel coronavirus infection in China. MedRxiv, 2020, doi: 10.1101/2020.02.06.20020974. Google Scholar

[8] 崔恒建, 李仲来, 杨华, 等. SARS疫情预测预报中的分段非线性回归方法. 遥感学报, 2003, 7: 245--250. Google Scholar

[9] 李仲来, 崔恒建, 杨华, 等. SARS预测的SI模型和分段SI模型. 遥感学报, 2003, 7: 345--349. Google Scholar

[10] Zeger S L, Harlow S D. Mathematical models from laws of growth to tools for biological analysis: Fifty years of “Growth”. Growth, 1987, 51: 1--21. Google Scholar

[11] France J, Dijkstra J, Thornley J H M, et al. A simple but flexible growth function. Growth Development Aging, 1996, 60: 71--83. Google Scholar

[12] Cui H, Hu T. On nonlinear regression estimator with denoised variables. Comput Statist Data Anal, 2011, 55: 1137-1149 CrossRef Google Scholar

[13] 程毛林. Richards 模型参数估计及其模型应用.数学的实践与认识, 2010, 40: 139--143. Google Scholar

• Figure 1

• Figure 2

• Figure 4

• Figure 5

• Figure 6

• Table 1   全国COVID-19疫情拟合预测结果及参数$\boldsymbol{A}$的变化
 日期 $A$ 次日预测$2\sigma$置信区间 次日预测(实测) $5$天预测 1 周拟合标准差 1月31日 212,859 (14,338, 16,113) 15,225 (14,380) 35,410 444 2月1日 93,773 (16,946, 18,677) 17,812 (17,205) 34,609 433 2月2日 69,187 (19,791, 21,463) 20,627 (20,428) 35,334 418 2月3日 67,221 (23,105, 24,841) 23,973 (24,324) 38,267 434 2月4日 79,792 (27,149, 29,362) 28,255 (28,018) 44,107 553 2月5日 80,604 (31,007, 33,039) 32,023 (31,161) 47,549 507 2月6日 71,594 (34,144, 35,588) 34,866 (34,546) 48,202 361 2月7日 69,695 (37,460, 38,671) 38,066 (37,198) 50,191 303 2月8日 63,583 (39,663, 40,863) 40,263 (40,171) 50,142 300 2月9日 63,317 (42,285, 43,705) 42,995 (42,638) 51,836 355 2月10日 61,803 (44,412, 45,850) 45,131 (44,653) 52,670 359 2月11日 59,949 (46,139, 47,423) 46,781 (59,804*) 52,990 321

• Table 2   封城一周内log (累计确诊病例) 与时间的相关系数变化
 封城后的天数 1 2 3 4 5 6 7 相关系数 0.9969 0.9973 0.9983 0.9982 0.9987 0.9984 0.9973
• Table 3   累计确诊病例的校准数据
 日期 实测数据 校准数据 校准差 2月5日 28,018 31,364 3,346 2月6日 31,161 35,827 4,666 2月7日 34,546 40,299 5,753 2月8日 37,198 44,701 7,503 2月9日 40,171 48,960 8,789 2月10日 42,638 53,020 10,382 2月11日 44,653 56,839 12,186
• Table 4   Caption
 日期 $A$ 次日预测$2\sigma$置信区间 次日预测(实测) $5$天预测 1 周拟合标准差 2月12日 91,832 (62,108, 64,623) 63,366 (63,851) 74,735 628 2月13日 94,467 (65,573, 68,940) 67,257 (66,492) 78,056 841 2月14日 91,289 (68,127, 70,762) 69,445 (68,500) 78,524 658 2月15日 87,753 (69,959, 71,980) 70,969 (70,548) 78,313 505 2月16日 86,325 (71,652, 73,669) 72,660 (72,436) 78,810 504 2月17日 85,638 (73,210, 75,300) 74,255 (74,185) 79,471 522 2月18日 85,478 (74,676, 76,858) 75,767 (74,576) 80,258 545 2月19日 82,495 (74,849, 76,696) 75,773 (75,465) 79,054 461 2月20日 81,702 (75,464, 77,412) 76,438 (76,288) 79,062 487 2月21日 81,318 (76,098, 78,080) 77,089 (76,939) 79,226 496 2月22日 80,985 (76,638, 78,552) 77,595 (77,150) 79,328 479 2月23日 80,111 (76,776, 78,523) 77,649 (77,658) 78,943 437 2月24日 80,105 (77,114, 79,031) 78,073 (78,064) 79,144 479 2月25日 80,090 (77,485, 79,333) 78,409 (78,497) 79,297 462 2月26日 80,253 (78,230, 79,357) 78,794 (78,824) 79,560 282 2月27日 80,325 (78,570, 79,583) 79,077 (79,251) 79,730 253 2月28日 80,630 (78,973, 79,984) 79,479 (79,824) 80,072 252 2月29日 81,202 (79,538, 80,548) 80,043 (80,026) 80,624 252 3月1日 81,222 (79,891, 80,539) 80,215 (80,151) 80,717 162 3月2日 81,163 (79,977, 80,644) 80,311 (80,270) 80,736 167 3月3日 81,127 (80,070, 80,741) 80,405 (-) 80,766 168
• Table 5   累计病例1周内模型预测预报与拟合结果
 间隔天数 第1天 第2天 第3天 第4天 第5天 第6天 第7天 3月4日 3月5日 3月6日 3月7日 3月8日 3月9日 3月10日 未来1周预测预报 80,405 80,520 80,616 80,697 80,766 80,823 80,871 3月2日 3月1日 2月29日 2月28日 2月27日 2月26日 2月25日 过去1周拟合误差($%$) $-0.052$ $-0.134$ $-0.165$ 0.218 0.360 0.300 0.290

Citations

• #### 0

Altmetric

Copyright 2020  CHINA SCIENCE PUBLISHING & MEDIA LTD.  中国科技出版传媒股份有限公司  版权所有