# A Cluster-Aggregate-Pool (CAP) Ensemble Algorithm for Improved Forecast Performance of influenza-like illness

**Authors:** Ningxi Wei, Xinze Zhou, Wei-Min Huang, Thomas McAndrew  
**arXiv:** [2401.00076](https://arxiv.org/abs/2401.00076)  
**Date:** 2023-12-29  
**Summary page:** https://www.summarizepaper.com/fr/paper/2401.00076v1/

## Key points

- Présentation de l'algorithme d'ensemble Cluster-Aggregate-Pool (CAP) pour améliorer les prévisions de maladies similaires à la grippe
- Importance des prévisions de maladies similaires à la grippe (ILI) pour guider les décisions en santé publique
- Objectif d'un ensemble de prévisions d'ILI : accroître la précision et l'étalonnage, fournir une prédiction cohérente de l'évolution future de la grippe
- Algorithme CAP regroupe, agrège et combine les prévisions individuelles pour améliorer l'étalonnage sans compromettre la précision
- Généralisation du travail passé sur les ensembles associés aux prévisions de la grippe et introduction d'un cadre pour les travaux futurs avec CAP
- Possibilité d'explorer différentes implémentations du CAP et entraîner sur des prévisions formatées en séquence de quantiles pour une meilleure performance
- Ouverture vers une utilisation améliorée des ensembles dans les prévisions liées à la grippe et perspectives pour le futur
- Présentation de l'algorithme d'ensemble Cluster-Aggregate-Pool (CAP) pour améliorer les prévisions de maladies similaires à la grippe.
- Importance des prévisions de maladies similaires à la grippe (ILI) pour guider les décisions en santé publique.
- Objectif d'un ensemble de prévisions d'ILI : accroître la précision et l'étalonnage, fournir une prédiction cohérente de l'évolution future de la grippe.
- Algorithme CAP regroupe, agrège et combine les prévisions individuelles pour améliorer l'étalonnage sans compromettre la précision.
- Généralisation du travail passé sur les ensembles associés aux prévisions de la grippe et introduction d'un cadre pour les travaux futurs avec CAP.
- Possibilité d'explorer différentes implémentations du CAP et entraîner sur des prévisions formatées en séquence de quantiles pour une meilleure performance.
- Ouverture vers une utilisation améliorée des ensembles dans les prévisions liées à la grippe et perspectives pour le futur.

## Summary

Dans ce travail, nous avons présenté un nouvel algorithme d'ensemble appelé Cluster-Aggregate-Pool (CAP) pour améliorer les performances des prévisions de maladies similaires à la grippe. La grippe saisonnière entraîne en moyenne 425 000 hospitalisations et 32 000 décès par an aux États-Unis, soulignant ainsi l'importance des prévisions de maladies similaires à la grippe (ILI) pour orienter les décisions en matière de santé publique. L'objectif d'un ensemble de prévisions d'ILI est d'accroître la précision et l'étalonnage par rapport aux prévisions individuelles et de fournir une prédiction unique et cohérente de l'évolution future de la grippe. Cependant, un ensemble peut être composé de modèles produisant des prévisions similaires, posant ainsi des problèmes potentiels en termes de performance et d'identification. Pour remédier à ces problèmes, nous avons proposé un algorithme CAP novateur qui regroupe d'abord les prévisions individuelles, agrège les modèles appartenant au même cluster en une seule prévision (appelée prévision du cluster), puis combine les prévisions du cluster via un pool linéaire. Comparativement à une approche non-CAP, nous avons constaté qu'un ensemble CAP améliore l'étalonnage d'environ 10 % tout en maintenant une précision similaire aux alternatives non-CAP. De plus, notre algorithme CAP généralise le travail passé sur les ensembles associés aux prévisions de la grippe et introduit un cadre pour les travaux futurs. Il tient automatiquement compte des prévisions manquantes des modèles individuels, permet aux responsables de la santé publique de participer à l'ensemble en assignant des modèles individuels à des clusters, et fournit un signal supplémentaire sur le moment où le pic grippal pourrait être proche. Bien que notre implémentation spécifique du CAP ait donné des résultats prometteurs, il reste encore beaucoup à explorer. Nous souhaitons étudier plusieurs implémentations du CAP pour déterminer s'il existe une combinaison optimale entre ces trois étapes. De plus, nous envisageons d'entraîner un ensemble CAP sur des prévisions formatées sous forme de séquence de quantiles plutôt que sous forme d'une fonction de masse probabiliste discrétisée. Le format quantile est devenu plus populaire pour formater les prévisions et l'approche CAP devrait être étendue pour combiner les prédictions dans ce format. En conclusion, notre travail ouvre la voie à une meilleure utilisation des ensembles dans les prévisions liées à la grippe et offre des perspectives intéressantes pour améliorer encore davantage ces méthodes dans le futur.