Naukowcy z Ontario stworzyli i przetestowali nowy model hybrydowy MLAMA (Machine Learning and ARIMA Model Averaging), który łączy tradycyjne podejście statystyczne z nowoczesnym uczeniem maszynowym do prognozowania liczby przypadków COVID-19. Badanie wykorzystało 190 tygodniowych obserwacji danych z okresu od stycznia 2020 do października 2023 i porównało trzy główne podejścia: model ARIMA, random forest oraz XGBoost.
Wyniki pokazały wyraźne różnice między metodami. Model ARIMA wykazywał największą responsywność tuż po zmianach trendów w danych, ale jego dokładność spadała przy prognozowaniu na dłuższe okresy - szczególnie poza dwutygodniowym horyzontem. Modele uczenia maszynowego, zwłaszcza XGBoost, były mniej reaktywne na początku, ale utrzymywały stabilniejszą dokładność na dłuższych horyzontach prognozowania. Ważnym wnioskiem było, że używanie najbardziej aktualnych danych treningowych okazało się bardziej skuteczne niż bazowanie na pełnej historii.
Nowy model MLAMA, który dynamicznie waży przewidywania każdej metody w zależności od horyzontu prognozy i bieżącej sytuacji, osiągnął najniższy błąd normalizowany we większości testowanych scenariuszy. To podejście ensemble - łączące mocne strony zarówno tradycyjnych metod statystycznych jak i nowoczesnej sztucznej inteligencji - okazało się najbardziej niezawodnym rozwiązaniem dla zmiennych danych epidemiologicznych, które nie zawsze podlegają prostym matematycznym wzorcom.