Machine learning en ARIMA-modelmiddeling voor adaptieve volksgezondheidsvoorspelling: vergelijkende evaluatie en een casestudy over COVID-19 in Ontario

Voorspellingen voor de volksgezondheid moeten kunnen reageren op abrupte veranderingen in surveillancedata zonder ruis, rapportage-artefacten of tijdelijke trends te overinterpreteren. We evalueerden autoregressieve geïntegreerde voortschrijdend-gemiddelde (ARIMA)-, random forest- en extreme gradient boosting (XGBoost)-modellen aan de hand van 190 wekelijkse waarnemingen van openbaar beschikbare COVID-19-besmettingscijfers in Ontario van januari 2020 tot oktober 2023. Rolling-origin time-series cross-validation behield het tempo