論文の概要、ライセンス

# (参考訳) インドにおける新型コロナウイルス感染予測のためのLSTMモデルによる深層学習 [全文訳有]

Deep learning via LSTM models for COVID-19 infection forecasting in India ( http://arxiv.org/abs/2101.11881v1 )

ライセンス: CC BY 4.0
Rohitash Chandra, Ayush Jain, Divyanshu Singh Chauhan(参考訳) 私たちは、医療システム、経済、農業に大きな影響を与えて世界を揺るがしたパンデミックの時代に入りました。 伝染の広がりの複雑さのために顕著な計算および数学的モデルは信頼できませんでした。 さらに、データ収集とレポートの欠如により、そのようなモデリングの試みは信頼できない。 したがって、最新のデータソースと最も包括的な予測モデルで状況を見直す必要がある。 リカレントニューラルネットワークなどのディープラーニングモデルは、時間シーケンスのモデリングに適しています。 本稿では,インドにおける新型コロナウイルスの感染拡大を予知する多段階(短期)のニューラルネットワーク,特に‘textit{long short term memory}(LSTM)ネットワーク,双方向LSTM,エンコーダデコーダLSTMモデルについて述べる。 感染率の面では、新型コロナウイルスのホットポットを持つ状態を選択し、感染がピークに達した状態と比較し、症例が徐々に減少することを示す2ヶ月の予測を提供します。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。 予測はある程度進展したが,人口密度,旅行物流,文化や生活習慣といった社会的側面といった要因の把握が困難であることから,モデリングの課題は残る。

We have entered an era of a pandemic that has shaken the world with major impact to medical systems, economics and agriculture. Prominent computational and mathematical models have been unreliable due to the complexity of the spread of infections. Moreover, lack of data collection and reporting makes any such modelling attempts unreliable. Hence we need to re-look at the situation with the latest data sources and most comprehensive forecasting models. Deep learning models such as recurrent neural networks are well suited for modelling temporal sequences. In this paper, prominent recurrent neural networks, in particular \textit{long short term memory} (LSTMs) networks, bidirectional LSTM, and encoder-decoder LSTM models for multi-step (short-term) forecasting the spread of COVID-infections among selected states in India. We select states with COVID-19 hotpots in terms of the rate of infections and compare with states where infections have been contained or reached their peak and provide two months ahead forecast that shows that cases will slowly decline. Our results show that long-term forecasts are promising which motivates the application of the method in other countries or areas. We note that although we made some progress in forecasting, the challenges in modelling remain due to data and difficulty in capturing factors such as population density, travel logistics, and social aspects such culture and lifestyle.
公開日: Thu, 28 Jan 2021 09:19:10 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Deep learning via LSTM models for COVID-19 infection forecasting in India インドにおける新型コロナウイルス感染予測のためのLSTMモデルによる深層学習 0.56
Rohitash Chandraa, Ayush Jainb, Divyanshu Singh Chauhanc Rohitash Chandraa, Ayush Jainb, Divyanshu Singh Chauhanc 0.85
aSchool of Mathematics and Statistics, UNSW Sydney, NSW 2006, Australia aSchool of Mathematics and Statistics, UNSW Sydney, NSW 2006, Australia (英語) 0.94
bDepartment of Electronics and Electrical, Indian Institute of Technology Guwahati, Assam, India bインドのアサム州グワハティ工科大学電子・電気部門 0.52
cDepartment of Mechanical, Indian Institute of Technology Guwahati, Assam, India インドのアサム州グワハティ工業大学機械工学部cDepartment of Mechanical,Indian Institute of Technology Guwahati 0.68
1 2 0 2 n a J 1 2 0 2 n a J 0.85
8 2 ] G L . 8 2 ] G L。 0.81
s c [ 1 v 1 8 8 1 1 sc [ 1 v 1 8 8 1 1 0.68
. 1 0 1 2 : v i X r a . 1 0 1 2 : v i X r a 0.85
Abstract We have entered an era of a pandemic that has shaken the world with major impact to medical systems, economics and agriculture. 概要 私たちは、医療システム、経済、農業に大きな影響を与えて世界を揺るがしたパンデミックの時代に入りました。 0.57
Prominent computational and mathematical models have been unreliable due to the complexity of the spread of infections. 伝染の広がりの複雑さのために顕著な計算および数学的モデルは信頼できませんでした。 0.67
Moreover, lack of data collection and reporting makes any such modelling attempts unreliable. さらに、データ収集とレポートの欠如により、そのようなモデリングの試みは信頼できない。 0.64
Hence we need to re-look at the situation with the latest data sources and most comprehensive forecasting models. したがって、最新のデータソースと最も包括的な予測モデルで状況を見直す必要がある。 0.82
Deep learning models such as recurrent neural networks are well suited for modelling spatio-temporal sequences. リカレントニューラルネットワークなどのディープラーニングモデルは、時系列のモデリングに適しています。 0.71
In this paper, prominent recurrent neural networks, in particular long short term memory (LSTMs) networks, bidirectional LSTM, and encoder-decoder LSTM models for multi-step (short-term) forecasting the spread of COVID-infections among selected states in India. 本稿では,特に長期記憶(LSTM)ネットワーク,双方向LSTM,および多段階(短期)のエンコーダ・デコーダLSTMモデルを用いて,インド各州における新型コロナウイルス感染の広がりを予測した。 0.82
We select states with COVID-19 hotpots in terms of the rate of infections and compare with states where infections have been contained or reached their peak and provide two months ahead forecast that shows that cases will slowly decline. 感染率の面では、新型コロナウイルスのホットポットを持つ状態を選択し、感染がピークに達した状態と比較し、症例が徐々に減少することを示す2ヶ月の予測を提供します。 0.67
Our results show that long-term forecasts are promising which motivates the application of the method in other countries or areas. 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
訳抜け防止モード: 私たちの結果は 長期予測は、他の国や地域でその方法を適用する動機となる有望である。
0.66
We note that although we made some progress in forecasting, the challenges in modelling remain due to data and difficulty in capturing factors such as population density, logistics, and social aspects such culture and lifestyle. 予測はある程度進展したものの,人口密度やロジスティクス,文化やライフスタイルといった社会的側面といった要因の把握が困難であることから,モデリングの課題は残る。 0.71
Keywords: Recurrent neural networks, LSTM, COVID-19, India, forecasting キーワード:リカレントニューラルネットワーク、LSTM、COVID-19、インドの予測 0.83
1. Introduction The coronavirus disease 2019 (COVID-19) is an infectious disease caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) [1, 2, 3] which became a global pandemic [4]. 1. はじめに 2019年の新型コロナウイルス(COVID-19)は、世界的なパンデミックとなった重症急性呼吸器症候群(SARS-CoV-2)[1, 2, 3]によって引き起こされる感染症です[4]。 0.68
COVID-19 was first identified in December 2019 in Wuhan, Hubei, China with the first confirmed or index case was traced back to 17th November 2019 [5]. COVID-19は2019年12月に中国の湖北省武漢で初めて同定され、最初の確認またはインデックス事件は2019年11月17日にさかのぼります[5]。 0.68
Currently (1st December, 2020) 1, more than 18 million cases have been reported across the world which resulted in more than 1.6 million deaths [6, 7]. 現在(2020年12月1日)、全世界で1800万人以上の症例が報告されており、1600万人以上が死亡しています[6, 7]。 0.67
The COVID-19 pandemic forced many countries to close their borders and enforce a partial or full lock down which had a devastating impact on the world economy which will continue in years to follow [8, 9, 10]. 新型コロナウイルスのパンデミックにより、多くの国が国境を閉鎖し、世界経済に壊滅的な影響を与えた部分的または完全なロックダウンを強制された[8, 9, 10]。 0.59
Other major impact has been on agriculture [11, 12] which is a major source of income for population in rural areas, especially in the developing world. その他の大きな影響は農業 [11, 12] であり、農村部、特に発展途上国における人口の主な収入源となっている。 0.79
The sudden lock-down in some countries created huge wave of problems in terms of transportation, especially for low income migrant communities [13, 14], even within a country such as state-wise migrant workers such as those in India [15]. 一部の国では突然のロックダウンが交通の面で大きな問題を引き起こし、特に低所得の移民コミュニティ(13, 14])はインドのような国家系移民労働者のような国でも問題を引き起こした [15]。 0.79
The case of India has been unique when it comes to management of COVID-19 pandemic [15]. インドのケースは、新型コロナウイルスのパンデミック[15]の管理に関してユニークです。 0.58
The first COVID-19 case in India was reported on 30 January 2020. インド初の新型コロナウイルス感染者が2020年1月30日に報告された。 0.39
India entered a lock-down quite earlier and has managed well in terms of number of deaths and infections per million population. インドはかなり早くロックダウンに陥り、人口100万人当たりの死亡者数や感染数でうまくいった。 0.75
India currently (1st December, 2020) has 9,462,809 confirmed cases 現在インド(2020年12月1日)の感染者は9,462,809人 0.45
with 137,621 (1.45 %) deaths which makes the largest in Asia the second highest in the world after the United States. 死者は137,621人(1.45%)で、これはアジアで米国に次ぐ世界第2位である。 0.73
The fatality rate of COVID-19 in India is among the lowest in the world % and steadily declining. インドでのcovid-19の死亡率は世界最低であり、着実に減少している。 0.72
India also has one of the fastest recovery rates in the world with 429,753 (4.54 %) active cases, and ranks 8th in the world although 2nd in total cases 2. インドは429,753人(4.54 %)のアクティブケースで世界最速の回復率があり、世界第8位となっているが、全体では2位である。 0.71
In terms of COVID-19 forecasting, prominent computational and statistical models have been unreliable due to the complexity of the spread of infections [16, 17, 18], since they did not take into account active or novel cases without that depend on population density, logistics and travel, and qualitative social aspects such culture and lifestyle [19]. 新型コロナウイルスの予測では、人口密度、物流および旅行、および文化やライフスタイルなどの定性的な社会的側面に依存することなく、アクティブまたは新規のケースを考慮に入れていなかったため、感染の拡散の複雑さのために顕著な計算および統計モデルは信頼できませんでした[16, 17, 18]。 0.68
While some of these aspects can be broken down to get quantitative measurement that can help models for forecasting, other have qualitative nature and lack of data collection and reporting makes any such modelling attempts unreliable. これらの側面のいくつかは、予測のためのモデルに役立つ定量的な測定を受けるために分解できるが、他の側面は質的性質を持ち、データ収集とレポートの欠如により、そのようなモデリングの試みは信頼できない。 0.59
Hence we need to re-look at the situation with latest data sources and most comprehensive forecasting models [20, 21, 22]. したがって、最新のデータソースと最も包括的な予測モデル[20, 21, 22]で状況を見直す必要がある。 0.85
Moreover, a number of other limitations exists, such as noisy or unreliable data of active cases [23], mortality rate, and asymptotic carriers [24, 25]. さらに、アクティブな症例[23]、死亡率、および無症候性キャリア[24, 25]の騒々しいまたは信頼できないデータなど、他のいくつかの制限があります。 0.72
There have been reports that the models lack a number of limitations and failed in several situations [26]. モデルには多くの制限がなく、いくつかの状況で失敗したという報告があります [26]。 0.74
Despite these challenges, it has been shown that country based mitigation factors in terms of different levels of lock downs and monitoring has a major impact on the rate of infection [27]. これらの課題にもかかわらず、異なるレベルのロックダウンと監視の点で国ベースの緩和要因が感染率に大きな影響を与えていることが示されています[27]。 0.77
We note that none of the Email address: rohitash.chandra@uns w.edu.au (Rohitash Chandra) 1https://www.worldom eters.info/coronavir us/ 注意すべきなのは メールアドレス: rohitash.chandra@uns w.edu.au (Rohitash Chandra) 1https://www.worldom eters.info/coronavir us/ 0.42
2https://www.worldom eters.info/coronavir us/country/ Worldometers.info/co ronavirus/country/ 0.40
india/ Preprint インド プレプリント 0.66
January 29, 2021 2021年1月29日 0.76
英語(論文から抽出)日本語訳スコア
forecasting models have considered COVID-19 forecasting in India. 予測モデルは、インドで新型コロナウイルスの予測を検討しています。 0.37
There is a need to evaluate latest deep learning models for forecasting COVID-19 in India. インドで新型コロナウイルスを予測するための最新のディープラーニングモデルを評価する必要があります。 0.46
Deep learning models such as recurrent neural networks (RNNs) are well suited for modelling spatio-temporal sequences [28, 29, 30, 31, 32]. リカレントニューラルネットワーク(RNN)のようなディープラーニングモデルは,時空間シーケンスのモデル化に適している[28,29,30,31,32]。 0.83
RNNs are also suitable for modeling dynamical systems when compared to feedforward networks [33, 34, 35]. RNNはフィードフォワードネットワーク[33, 34, 35]と比較して動的システムのモデリングにも適している。 0.85
The limitations in learning by RNNs for long-term dependencies in sequences that span hundreds or thousands of time-steps [36] were addressed by long short-term memory networks (LSTMs) [30]. 数百から数千の時間ステップ [36] にまたがるシーケンスにおける長期依存に対するRNNによる学習の制限は、長期短期記憶ネットワーク(LSTM) [30] によって対処された。 0.83
LSTMs have been used for COVID-19 forecasting in China [37] with good performance results when compared to epidemic models. lstmは中国 [37] におけるcovid-19予測に用いられており、流行モデルと比較すると良好な成績を示している。 0.56
LSTMs have also been used for COVID-19 forecasting in Canada [38]. LSTMはカナダでの新型コロナウイルスの予測にも使われている[38]。 0.56
Other deep learning models such as convolutional neural networks (CNNs) have recently shown promising performance for time series forecasting [39, 40]. convolutional neural networks (cnns)のような他のディープラーニングモデルも最近、時系列予測に有望なパフォーマンスを示している [39, 40]。 0.77
They would also be suited in capturing spatio-temporal relationship of COVID-19 transmission with neighbouring states in India. また、インドの近隣諸国とのcovid-19感染の時空間的関係を捉えるのにも適している。 0.51
In this paper, we employ three LSTM models for short-term forecasting the spread of COVID-infections among selected states in India. 本稿では3つのLSTMモデルを用いて、インドで選択された州間での感染拡大を短期的に予測する。 0.71
We select Indian states with COVID-19 hotpots in terms of the rate of infections and compare with states where infections have been contained or reached their peak. 私たちは、感染率の観点から、インドの州とCOVID-19ホットポットを選択し、感染が含まれているか、ピークに達した州と比較します。
訳抜け防止モード: 感染率の面では、covid-19ホットポットを持つインドの州を選択します 感染した状態やピークに達した状態と比較します
0.74
We provide both univariate and multivariate time series prediction approaches and compare their performance for short-term (4 days ahead) forecasting, with a two months ahead forecast using selected LSTM models. 我々は一変量および多変量時系列予測のアプローチを提供し、その性能を短期(4日前)の予測で比較し、選択したLSTMモデルを用いて2ヶ月前の予測と比較する。 0.73
We present visualisation and analysis of the COVID-19 infections and provide open source software that can be used as more data gets available and also applied to different countries and regions. 我々は、新型コロナウイルス感染の可視化と解析を行い、より多くのデータが入手でき、また異なる国や地域に適用できるオープンソースソフトウェアを提供する。 0.65
The rest of the paper is organised as follows. 残りの論文は以下の通り整理される。 0.65
Section 2 presents a background and literature review of related work. 第2節では、関連する作品の背景と文献のレビューを紹介する。 0.49
Section 3 presents the proposed methodology with data analysis and Section 4 presents experiments and results. 第3節では,提案手法とデータ解析,第4節では実験と結果について述べる。
訳抜け防止モード: 第3節 提案手法をデータ解析で提示する。 そしてセクション4は実験および結果を示します。
0.72
Section 5 provides a discussion and Section 6 concludes the paper with discussion of future work. 第5節は議論を行い、第6節は将来の作業に関する議論で論文を締めくくります。 0.65
2. Related Work COVID-19 lock down, infection and management has also raised concerns about prejudices against minorities and people of colour in developed countries such as the United States [41]. 2. 関連作品 新型コロナウイルス(COVID-19)のロックダウンや感染、管理は、米国などの先進国で少数民族や有色人種に対する偏見を懸念している。 0.70
Furthermore there has been a significant impact on mental health across the globe [42, 43]. さらに、世界中で[42, 43]のメンタルヘルスに大きな影響を与えている。 0.70
COVID-19 forced lock downs and restrictions of movement has given rise to e-learning [44, 45, 46] and telemedicine [47], and created opportunities in applications for geographical information systems [48]. 新型コロナウイルスによるロックダウンと移動制限により、eラーニング [44, 45, 46] と遠隔医療 [47] が生まれ、地理的情報システム [48] への適用機会が生まれた。 0.62
The lock-down showed positive impact on the environment [49, 50], especially for highly populated and industrial nationals with high air pollution rate [51]; however the way medical pollutants and domestic waste are discarded during lock downs also of concern [52]. ロックダウンは, 高人口, 高大気汚染率 [51] の工業国において, 環境 [49, 50] に肯定的な影響を示したが, ロックダウンの際には, 医療汚染物質や家庭用廃棄物の廃棄方法も懸念された [52] 。 0.78
Moreover, Zambrano-Monserrate et. さらに、Zambrano-Monserrateら。 0.51
al highlighted the positive indirect effects revolve around the reduction air pollutants in China, France, Germany, Spain, and Italy [52]. alは、中国、フランス、ドイツ、スペイン、イタリアにおける減気汚染物質の正の間接的効果を強調した[52]。 0.68
It has been shown that in some countries, comprehensive identification and isolation policies have effectively suppressed 一部の国では包括的識別・隔離政策が効果的に抑制されていることが示されている。
訳抜け防止モード: そのことが示されている。 一部の国では 包括的識別と隔離政策が 効果的に抑制され
0.62
the spread of COVID-19. 新型コロナウイルスの感染拡大。 0.25
Huang et. al [53] presented an evaluation of identification and isolation policies that effectively suppressed the spread of COVID-19 which further contributed to reduce casualties during the phase of a dramatic increase in diagnosed cases in Wuhan, China. Huangら。 al[53]は,中国武漢市で発生した診断症例の増加に伴う死亡率の低下に寄与した,covid-19の感染拡大を効果的に抑制する識別・隔離政策の評価を行った。 0.75
The authors recommended that governments should swiftly execute the forceful public health interventions in the initial stage of the pandemic. 著者らは、政府がパンデミックの初期に強制的な公衆衛生介入を迅速に実行するべきだと提案した。 0.59
However, such policies have not been that effective for other countries with similar population, such as India, but still have been better than spread of COVID-19 in USA and Brazil [20]. しかし、このような政策はインドなど類似の人口を持つ他の国では効果がないが、米国やブラジルでcovid-19が流行するよりは優れていた[20]。 0.79
2.1. Modelling and forecasting COVID-19 2.1. 新型コロナのモデル化と予測 0.56
A number of machine learning and statistical models have been used for modelling and forecasting COVID-19 in different parts of the world. 多くの機械学習と統計モデルは、世界中のさまざまな地域でCOVID-19のモデリングと予測に使用されています。 0.74
Saba and Elsheikh presented simple autoregressive neural networks for forecasting the prevalence of COVID-19 outbreak in Egypt which showed relatively good performance when compared to officially reported cases [18]. saba氏とelsheikh氏は、エジプトでcovid-19の発生率を予測するために、単純な自己回帰型ニューラルネットワークを発表した。
訳抜け防止モード: サバとエルシャイフは、エジプトにおける新型コロナウイルスの流行を予測するための単純な自己回帰型ニューラルネットワークを提示した。 公式に報告された例と比較すると 比較的良い成績を示した[18]
0.49
Yousaf et. Yousaf et。 0.79
al used auto-regressive integrated moving average (ARIMA) model for forecasting COVID-19 for Pakistan [17]. al used auto-regressive integrated moving average (ARIMA) model for forecasting COVID-19 for Pakistan [17] 0.93
The model predicted that the number of confirmed cases would increase by factor of 2.7 giving 95 % prediction interval by the end of May 2020, to 5681 - 33079 cases. このモデルでは、確認された症例の数は2020年5月末までに95%の予測間隔を2.7倍に増加し、5681 - 33079件と予測された。 0.67
However, Pakistan reported around 70,000 cases3 end of May and hence the model was poor in prediction. しかし、パキスタンは5月末に約7,000件のケースを報告し、予測に乏しかった。 0.55
Vel´asquez and Lara used Gaussian process regression model for forecasting COVID-19 infection in the United States [16]. Vel ́asquezとLaraは、米国におけるCOVID-19感染を予測するためにガウス過程回帰モデルを使用した[16]。 0.65
The authors show that COVID-19 would peak in United States around July 14th 2020, with a peak number of 132,074 death with infected individuals of about 1,157,796. 著者らは、2020年7月14日ごろに米国でCOVID-19がピークとなり、1,157,796人の感染者で132,074人が死亡することを示した。 0.60
However, the actual cases by July 14th reached more than 3.5 million with more than 139 thousand deaths4 which shows that the model was close in forecasting deaths but forecast of total cases was poor. しかし、7月14日までの実際の症例は3.5百万人を超え、139万人以上の死者を出した。
訳抜け防止モード: しかし、実際の事件は7月14日までに350万件を超え、139万人以上の死者を出した。 モデルは死を予測するのに 近いが 全症例の予測は 不十分だった
0.64
Chimmula and Zhand used LSTM neural networks for time series forecasting of COVID-19 transmission in Canada [38]. ChimmulaとZhandは、カナダにおける新型コロナウイルス感染の時系列予測にLSTMニューラルネットワークを使用した[38]。 0.61
The authors predicted the possible ending point of the outbreak around June 2020 and compared transmission rates of Canada with Italy and the United States. 著者らは、2020年6月頃の流行の終点を予測し、カナダとイタリアと米国の感染率を比較しました。 0.66
Canada reached the daily new cases peak by 2nd May5 and since then new cases has been drastically reducing. カナダは5月2日までに新症例のピークに達し、それ以来、新しい症例は大幅に減少しています。
訳抜け防止モード: カナダは5月2日までにピークを迎えた それ以来、新しい症例は大幅に減少しています。
0.67
Therefore we can say that the approach by the authors was somewhat close in reporting the peak for COVID-19 in Canada. したがって、著者によるアプローチは、カナダのCOVID-19のピークを報告するのにやや近かったと言えるでしょう。 0.76
Chakraborty and Ghosh [21] used hybrid ARIMA and wavelet-based forecasting model for shortterm (ten days ahead) forecasts of daily confirmed cases for Canada, France, India, South Korea, and the United Kingdom. ChakrabortyとGhosh [21]は、カナダ、フランス、インド、韓国、イギリスにおける毎日の確認症例の短期(10日先)予測のためにハイブリッドARIMAとウェーブレットベースの予測モデルを使用した。 0.73
The authors also applied an optimal regression tree algorithm to find essential causal variables that significantly affect the case fatality rates for different countries. 著者らはまた、異なる国の死亡率に大きな影響を及ぼす本質的因果変数を見つけるために最適な回帰木アルゴリズムも適用した。 0.69
Maleki et. al [22] used autoregressive time series models based on two-piece scale mixture normal distributions time series data of confirmed and recovered COVID-19 cases worldwide. Malekiら。 al[22]は, 全世界で確認された, 回収されたCOVID-19症例の2項目の混合正常分布に基づく自己回帰時系列モデルを用いた。 0.66
3https://www.worldom eters.info/coronavir us/country/ Worldometers.info/co ronavirus/country/ 0.41
pakistan/ 4https://www.worldom eters.info/coronavir us/country/us/ 5https://www.worldom eters.info/coronavir us/country/ パキスタン 4https://www.worldom eters.info/coronavir us/country/us/ 5https://www.worldom eters.info/coronavir us/country/ 0.39
canada/ 2 カナダ 2 0.76
英語(論文から抽出)日本語訳スコア
Ren et al [19] analysed spatiotemporal variations of the epidemics before utilizing the ecological niche models with nine socioeconomic variables for identifying the potential risk zones for megacities such as Beijing, Guangzhou and Shenzhen. レンらは、北京、広州、深センなどのメガシティーの潜在的なリスクゾーンを特定するために、9つの社会経済変数を持つ生態ニッチモデルを利用する前に、流行の時空間変動を分析した。 0.54
The results demonstrate that the method was capable of being employed as an early forecasting tool for identifying the potential COVID-19 infection risk zones. 以上の結果から,この手法は,感染リスクゾーンの早期予測ツールとして活用できる可能性が示唆された。 0.70
Alzahrani et al [54] used auto-regressive and ARIMA models for COVID-19 in Saudi Arabia with data till 20th April 2020 and predicted 7668 daily new cases by 21st May 2020 given stringent precautionary control measures not implemented. Alzahrani et al [54]は、2020年4月20日までのサウジアラビアでのCOVID-19のオートレグレッシブモデルとARIMAモデルを使用し、2020年5月21日までに7668の新しい症例を予測しました。
訳抜け防止モード: Alzahrani et al [54 ] using auto -regressive and ARIMA model for COVID-19 in Saudi Arabia with data until 20th April 2020 また、2020年5月21日までに1日当たり7668件の新規感染者を予測した。
0.73
However, actual data of 21st May 2020 shows 2532 cases6, hence, the model has shown poor performance. しかし、2020年5月21日の実際のデータは2532件のケース6を示しています。 0.66
Singh et al [55] presented a hybrid of discrete wavelet decomposition and ARIMA models in application to one month forecast the casualties cases of COVID-19 in most affected countries back then which included France, Italy, Spain, United Kingdom and and United Sates. Singh et al [55] は、フランス、イタリア、スペイン、英国、そして米国を含む多くの影響を受けた国々で、COVID-19の犠牲者を1カ月間予測するために、離散ウェーブレット分解と ARIMA モデルの組み合わせを提示した。 0.73
The authors found that the hybrid model is better than standalone ones. 著者らは、ハイブリッドモデルはスタンドアロンモデルよりも優れていることを見出した。 0.57
Dasilva et. Dasilvaなど。 0.72
al [20] employed machine learning methods such as Bayesian regression neural network, cubist regression, knearest neighbors, quantile random forest, and support vector regression with pre-processing based on variational mode decomposition for forecasting one, three, and six-days-ahead the cumulative COVID-19 cases in five Brazilian and American states up to April 28th, 2020. al[20]では,ベイジアン回帰ニューラルネットワーク,キュビスト回帰,ケネレス近傍,量子乱林などの機械学習手法を採用し,2020年4月28日までのブラジルとアメリカの5州における累積COVID-19(COVID-19)感染者の予測1,3,6日の変動モード分解に基づく前処理によるベクター回帰をサポートした。 0.66
Yang et al [37] epidemiological model that incorporated the domestic migration data and most recent COVID-19 epidemiological data to predict the epidemic progression. 国内移行データと最新のCOVID-19疫学データを組み込んだYang et al[37]疫学モデルを用いて、流行の進行を予測した。
訳抜け防止モード: 国内移住データを組み込んだYang et al [37 ]疫学モデル 最新のCOVID-19疫学データによると 流行の進行を予測するためです
0.78
The authors also used LSTM neural network model where they reported peak by late February, showing gradual decline by end of April. 著者はまた、LSTMニューラルネットワークモデルを使用し、2月下旬までにピークを報告し、4月末までに徐々に減少を示した。 0.58
This was one of the few successful attempts in useful prediction of COVID-19 given the trend in China 7; however, the actual peak was in early February and the spread of infections ended by middle of March. 中国は7日、新型コロナウイルス(COVID-19)の流行を予測した数少ない試みとなったが、実際のピークは2月上旬で、感染拡大は3月中旬までに終わった。 0.57
In terms of COVID-19 forecasting in India with deep learning methods, some of the key investigations are highlighted as follows. 深層学習によるインドでの新型コロナウイルス(COVID-19)の予測に関して、いくつかの重要な調査が強調されている。
訳抜け防止モード: 深層学習によるインドでのcovid-19予測について 主な調査のいくつかは、以下のとおりである。
0.62
Anand et al. Anand et al. 0.85
[56] focused on forecasting of COVID19 cases in India using recurrent neural networks such as LSTM and gated-recurrent units (GRU) with the dataset from 30th January 2020 to 21st July 2020. 56]は、2020年1月30日から2020年7月21日までのデータセットで、LSTMやゲートリカレントユニット(GRU)などのリカレントニューラルネットワークを使用して、インドのCOVID-19症例の予測に焦点を当てた。
訳抜け防止モード: 56 ]lstmなどの繰り返しニューラルネットワークを用いたインドにおけるcovid-19の予測 and gated - recurrent units ( gru) 2020年1月30日から7月21日までデータセットを使用する。
0.67
Bhimala et al. Bhimala et al。 0.80
[57] incorporated the weather conditions of different states to make more accurate forecasting of the COVID-19 cases in different states of India. 57]インド各州におけるcovid-19感染者の予測をより正確にするために,各州の気象条件を組み込んだ。 0.72
The authors made assumption that different humidity levels in different states will lead to varying transmission of infection within the population. 著者らは、異なる状態の異なる湿度レベルは、集団内の感染の異なる伝達につながると仮定した。 0.76
They demonstrated that LSTM model performed better in the medium and long range forecasting scale when integrated with the weather data. 気象データと統合した場合のLSTMモデルの性能は,中・長距離予測スケールで良好であった。 0.81
Shetty [58] presented a real time forecasting based model using a feed forward neural network model for the COVID-19 cases in Karnataka in India where parameter selection for the model was based on Cuckoo search algorithm. Shetty [58]は、インドのカルナタカ市で、Cuckoo検索アルゴリズムに基づいてパラメータ選択を行う、フィードフォワードニューラルネットワークモデルを用いたリアルタイム予測ベースのモデルを発表した。 0.66
The mean-absolute percentage error (MAPE) was reduced from 20.73 % to 7.03 %. 平均絶対パーセンテージエラー(MAPE)は20.73%から7.03%に減少した。 0.65
The proposed model was further tested on the Hungary COVID-19 dataset 提案されたモデルは、ハンガリーのCOVID-19データセットでさらにテストされた 0.62
and produced promising results. 有望な結果を生み出しました 0.53
Tomar and Gupta [59] developed LSTM model for 30-day ahead prediction of COVID-19 positive cases in India where they also studied the effect of preventive measures on the spread of COVID-19. tomar氏とgupta氏[59]は、インドでcovid-19陽性者の30日間の予測のためにlstmモデルを開発し、covid-19の感染拡大に対する予防措置の効果も研究した。 0.58
They showed that with preventive measures and lower transmission rate, the spread can be reduced significantly. その結果, 予防対策と伝送速度の低下により, 拡散を著しく低減できることがわかった。 0.74
Moving to other parts of the world, we see a number of machine learning methods used in conjunction with deep learning for COVID-19 forecasting. 世界の他の地域に移ると、新型コロナウイルス(covid-19)予報にディープラーニングと併用する機械学習手法が数多く見られる。 0.55
Battineni et al. Battineni et al. 0.85
[60] forecasted COVID-19 cases using a machine learning method known as prophet logistic growth model which estimated that by late September 2020, the outbreak can reach 7.56, 4.65, 3.01 and 1.22 million cases in the USA, Brazil, India and Russia, respectively. 60]は、2020年9月末までに、米国、ブラジル、インド、ロシアでそれぞれ7.56, 4.65, 3.01, 1.2百万件に達する可能性があると推定した預言者ロジスティック成長モデルとして知られる機械学習モデルを使用して新型コロナウイルスの症例を予測した。 0.55
Nadler et al. Nadler et al。 0.77
[61] used a model embedded in a Bayesian framework coupled with a LSTM network to forecast cases of COVID-19 in developed and developing countries. 61]は、発展途上国および発展途上国におけるCOVID-19の症例を予測するために、ベイズフレームワークに埋め込まれたモデルとLSTMネットワークを使用した。 0.69
Silva et al. Silva et al。 0.83
[62] analyzed and forecasted the cumulative COVID-19 cases in four selected cities of Brazil using stacked ensemble forecasting model. 62]は, ブラジルの4都市で, 集積型アンサンブル予測モデルを用いて, 累積型COVID-19症例を分析し, 予測した。 0.64
Gupta et al. [63] forecasted COVID-19 cases of India using support vector machines, prophet, and linear regression models. Guptaら。 63]は、サポートベクターマシン、預言者、線形回帰モデルを使用してインドのCOVID-19症例を予測した。
訳抜け防止モード: Guptaら。 63 ] 支援ベクターマシンを用いたインドのCOVID-19症例の予測。 預言者および線形回帰モデル。
0.62
Similarly, Bodapati et al. 同様に、bodapati et al。 0.78
[64] forecasted the COVID-19 daily cases, deaths caused and recovered cases with the help of LSTM networks for whole world. [64]は、世界中のLSTMネットワークの助けを借りて、COVID-19の毎日の症例、死を引き起こし、症例を回復したと予測した。 0.56
Chaurasia and Pal [65] used several forecasting models such as simple average, single exponential smoothing, Holt winter method, auto-regressive integrated moving average (ARIMA) models for time series analysis of COVID-19 pandemic. ChaurasiaとPal [65]は、新型コロナウイルスのパンデミックの時系列分析に、単純平均、単指数平滑化、ホルトウィンター法、自己回帰統合移動平均(ARIMA)モデルなど、いくつかの予測モデルを使用した。 0.60
[66] compared the performance of ARIMA, LSTM, multi-layer perceptron and convolutional neural network (CNN) models for prediction of COVID-19 cases all over the world. 66]は、世界中の新型コロナウイルスの症例を予測するためにARIMA、LSTM、多層パーセプトロンおよび畳み込みニューラルネットワーク(CNN)モデルのパフォーマンスを比較しました。
訳抜け防止モード: 66 ] ARIMA, LSTM, マルチ層パーセプトロンの性能を比較した。 そして世界中のCOVID-19症例の予測のための畳み込みニューラルネットワーク(CNN)モデル。
0.83
They reported that deep learning models outperformed ARIMA model, and furthermore CNN outperformed LSTM networks and multi-layer perceptron. 彼らは、ディープラーニングモデルがARIMAモデルを上回っ、CNNがLSTMネットワークと多層パーセプトロンを上回ったと報告した。 0.58
Pinter et al. Pinter et al。 0.78
[67] used hybrid machine learning methods of adaptive networkbased fuzzy inference systems (ANFIS) and mutlilayer perceptron for COVID-19 infections and mortality rate in Hungary. 67]は、ハンガリーのCOVID-19感染と死亡率のために、適応ネットワークベースのファジィ推論システム(ANFIS)とミュートリレイヤーパーセプトロンのハイブリッド機械学習手法を使用した。 0.74
Istaiteh et al. Istaiteh et al。 0.79
3. Methodology: Forecasting with deep learning models 3. 方法論:ディープラーニングモデルによる予測 0.78
We need to reconstruct the original time series for multi-stepahead prediction using deep learning methods. 深層学習法を用いてマルチステップ予測のための元の時系列を再構築する必要がある。 0.61
Taken’s theorem expresses that the reconstruction can reproduce important features of the original time series [68]. テイケンの定理は、再構成が元の時系列 [68] の重要な特徴を再現できることを示している。
訳抜け防止モード: Taken の定理はそれを表現している 復元は 元の時系列の 重要な特徴を再現できる。 [68]
0.74
Hence, an embedded phase space Y(t) = [(x(t), x(t − T), ..., x(t − (D − 1)T)] can be generated given an observed time series x(t); where T is the time delay, D is the embedding dimension (window span) t = 0, 1, 2, ..., N−DT−1, and N is the length of the original time series. したがって、埋め込み位相空間 Y(t) = [(x(t), x(t − T), ..., x(t − (D − 1)T)] は、観測された時系列 x(t); ここで T は時間遅延であり、D は埋め込み次元 (ウィンドウスパン) t = 0, 1, 2, ..., N−DT−1 であり、N は元の時系列の長さである。 0.76
The values for D and T are user defined and typically experimentally determined in order to efficiently apply Taken’s theorem [69]. D と T の値はユーザ定義であり、典型的にはTaken の定理 [69] を効率的に適用するために実験的に決定される。 0.77
Taken’s proved that if the original attractor is of dimension d, then D = 2d + 1 would be sufficient [68]. take's は、元のアトラクタが次元 d であれば d = 2d + 1 で十分であることを示した [68]。 0.78
6https://www.worldom eters.info/coronavir us/country/ Worldometers.info/co ronavirus/country/ 0.41
saudi-arabia/ saudi-arabia/ 0.47
7https://www.worldom eters.info/coronavir us/country/ Worldometers.info/co ronavirus/country/ 0.40
china/ 3.1. LSTM network models 中国 3.1. LSTMネットワークモデル 0.74
Simple recurrent neural networks (RNN) feature a context layer to act as memory in order to incorporate current state and simple recurrent neural networks (rnn)は、現在の状態を組み込むためにメモリとして機能するコンテキストレイヤを備えている。 0.76
3 3 0.85
英語(論文から抽出)日本語訳スコア
inputs for propagating information into future states, and eventually output. 将来の状態に情報を伝達し、最終的に出力する入力。 0.73
Although number of different simple RNN architectures exist, the Elman RNN [28, 70] is one of the earliest which has been prominent for modelling temporal sequences and dynamical systems [71, 34, 72]. 異なる単純なRNNアーキテクチャは存在するが、エルマン RNN [28, 70] は、時間系列と力学系 [71, 34, 72] のモデル化で際立っている最初期のものの一つである。 0.78
We note that backpropagation through time (BPTT) is an extension of the backpropagation algorithm has been a prominent method for training simple RNNs [29]. BPTT (backpropagation through time) は, バックプロパゲーションアルゴリズムの拡張であり, 単純なRNNをトレーニングするための重要な手法である[29]。 0.78
BPTT features gradient descent where the error is backpropagated for a deeper network architecture that features states defined by time as opposed to multilayer perceptron that feature one or few hidden layers only. BPTTは、エラーが深いネットワークアーキテクチャのためにバックプロパゲーションされる勾配勾配を特徴とし、時間によって定義される状態は、1つまたは少数の隠蔽層のみを特徴とする多層パーセプトロンとは対照的である。 0.63
Initially, training RNNs with BPTT was very challenging due to problem of learning long-term dependencies given vanishing and exploding gradients [73]. 当初、BPTTによるRNNのトレーニングは、グラデーションの消失と爆発による長期依存性の学習の問題により、非常に困難でした[73]。
訳抜け防止モード: BPTTによるRNNの訓練 問題によって非常に困難でした 長期依存性の学習は、グラデーションが消えて爆発する[73]。
0.75
LSTM networks were developed [30] to address vanishing gradient problem of simple RNNs. 単純なRNNの消失勾配問題に対処するためにLSTMネットワークを[30]開発した。 0.74
LSTMs provided better capabilities in remembering the longterm dependencies using memory cells and gates. LSTMは、メモリセルとゲートを使用して長期依存関係を記憶する機能が改善された。 0.61
LSTMs employ using memory cells and gates for much better capabilities in remembering the long-term dependencies in temporal sequences as shown in Figure 1 lstmは、図1に示すように、時間系列の長期的な依存関係を記憶するために、メモリセルとゲートを使用する。 0.65
Figure 1: Long Short-Term Memory (LSTM) neural networks 図1:Long Short-Term Memory (LSTM) ニューラルネットワーク 0.90
4 The LSTM network model calculates a hidden state ht as 4 LSTMネットワークモデルは隠れ状態htを演算する 0.81
it = σ(cid:0)xtUi + ht−1Wi(cid:1) ft = σ(cid:0)xtU f + ht−1W f(cid:1) ot = σ(cid:0)xtUo + ht−1Wo(cid:1) ˜Ct = tanh(cid:0)xtUg + ht−1Wg(cid:1) Ct = σ(cid:0) ft ∗ Ct−1 + it ∗ ˜Ct (cid:1) it = σ(cid:0)xtUi + ht−1Wi(cid:1) ft = σ(cid:0)xtUf + ht−1W f(cid:1) ot = σ(cid:0)xtUo + ht−1Wo(cid:1) shCt = tanh(cid:0)xtUg + ht−1Wg(cid:1) Ct = σ(cid:0) ft ∗ Ct−1 + it ∗ Ct (cid:1) 0.79
ht = tanh(Ct) ∗ ot ht = tanh(Ct) ∗ ot 0.85
(1) where, it, ft and ot refer to the input, forget and output gates, at time t, respectively. (1) where, it, ft と ot は、入力、忘れ、出力ゲートをそれぞれ t で参照します。 0.75
xt and ht refer to the number of input features and number of hidden units, respectively. xt と ht はそれぞれ、入力機能の数と非表示単位の数を指します。 0.73
W and U is the weight matrices adjusted during learning along with b which is the bias. W と U はバイアスである b と共に学習中に調整された重み行列である。 0.78
The initial values are c0 = 0 and h0 = 0. 初期値は c0 = 0 で h0 = 0 である。 0.88
Note that all the gates have the same dimensions dh, the size of your hidden state. すべてのゲートは同じ次元のdhを持ち、あなたの隠れた状態の大きさです。 0.76
˜Ct is a “candidate” hidden state, and Ct is the internal memory of the unit as shown in Figure 1. Ct は「候補」の隠れた状態であり、Ct は図1に示すように単位の内部メモリです。 0.77
Note that we denote (*) as element-wise multiplication. 要素単位の乗算として (*) を示すことに注意してください。 0.56
3.2. Bi-directional LSTM networks 3.2. 双方向LSTMネットワーク 0.79
Conventional RNNs (including LSTMs) only make use of previous context state for determining future states. 従来のRNN(LSTMを含む)は、将来の状態を決定するためにのみ、以前のコンテキスト状態を使用する。 0.64
Bidirectional RNNs (BD-RNNs) [74] on the other hand, process information in both directions with two separate hidden layers which are then propagated forward to the same output layer. 一方、双方向RNN(BD-RNN)[74]は、2つの別々の隠れた層で両方の方向の情報を処理し、次に同じ出力層に転送します。 0.77
Hence, two independent RNNs are placed together to allow both backward and forward information about the sequence at every time step. したがって、2つの独立したrnnが組み合わさって、各ステップ毎のシーケンスに関する後方情報と前方情報の両方を許容する。 0.68
The forward hidden sequence h f , the backward hidden sequence hb, and the output sequence y are computed in BD-RNN by iterating the backward layer from t = T to t = 1, the forward layer from t = 1 to t = T. 後方層を t = T から t = 1 へ、前方層を t = 1 から t = T へ反復することにより、前方隠蔽シーケンスhf 、後方隠蔽シーケンスhb、出力シーケンスy をBD−RNNで演算する。 0.75
Bi-directional LSTM networks (BD-LSTM) [75] can access longer-range context or state in both directions similar to BD-RNNs. 双方向LSTMネットワーク(BD-LSTM)[75]は、BD-RNNと同様、両方の方向のコンテキストや状態にアクセスできる。 0.65
BD-LSTM networks were originally proposed for world-embedding in natural language processing[75] and have been used in several real-world sequence processing problems such as phoneme classification [75], continuous speech recognition [76] and speech synthesis [77]. bd-lstmネットワークはもともと自然言語処理における世界埋め込みのために提案され、音素分類[75]、連続音声認識[76]、音声合成[77]などの現実世界のシーケンス処理問題で使用されている。 0.79
BD-LSTM networks intake inputs in two ways; one from past to future, and another from future to past by running information backwards so that state information from the future is preserved. bd-lstmネットワークは、将来の状態情報が保存されるように情報を後方に実行することで、過去から未来、未来から未来への入力を2つの方法で入力する。
訳抜け防止モード: BD - LSTMネットワークは2つの方法で入力を取り込みます。 未来から過去へと 未来からの状態情報が保存されるように、後方に情報を実行する。
0.79
Given two hidden states combined in any point in time, the network can preserve information from both past and future as shown in Figure 2. 任意の時点に2つの隠れ状態が組み合わされた場合、図2に示すように、ネットワークは過去と未来の両方の情報を保存することができる。 0.73
3.3. Encoder-Decoder LSTM networks 3.3. エンコーダデコーダLSTMネットワーク 0.78
The encoder-decoder LSTM network (ED-LSTM) [78] was introduced as a sequence to sequence model for mapping a fixed-length input to a fixed-length output. The encoder-decoder LSTM network (ED-LSTM) [78] was introduced as a sequence to sequence model for map a fixed-length input to a fixed-length output。 0.88
The length of the input and output may differ which makes them applicable in automatic language translation tasks (English to French for example) which can be extended to multi-step series prediction where both the input and outputs are of variable lengths. 入力と出力の長さは異なるため、自動翻訳タスク(例えば英語からフランス語)に適用でき、入力と出力の両方が可変長であるマルチステップ系列予測に拡張できます。 0.70
A latent vector representation is used to handle variable-length input and outputs by first encoding the input sequences, one at a time 潜時ベクトル表現は、まず入力シーケンスを1回ずつ符号化することで、可変長の入力と出力を処理するために使用される 0.77
英語(論文から抽出)日本語訳スコア
population of 238 million seems to have managed better (no. 人口は2億3800万人で うまくいったようです(ノー) 0.64
6 in August and no. 5 in September). 8月6日、ノー。 9月5日)。 0.71
Delhi has relatively a smaller population (estimated 19 million [79]), but high population density and has been one of the leading states with COVID19 (in top 6 throughout the year). デリーの人口は比較的少ない(推定1900万人[79])が、人口密度が高く、COVID19(年間トップ6)で主要な州の1つとなっている。 0.66
Figure 4 presents the total number of new weekly cases for different groups of Indian states and union territories. 図4は、インディアン州と組合領域の異なるグループに対する毎週の新しい事件の総数を示している。 0.77
We notice that the number of cases significantly increased after May 2020 and certain number of states had most number of new weekly cases as shown in Figure 4. 図4に示すように、2020年5月以降の症例数は大幅に増加し、特定の州では毎週新しい症例が最も多いことに気付きました。 0.69
Moreover, Figure 4 (Panel a) show that Delhi reached a major peak in weekly new cases in 3rd week of June and Tamil Nadu began slowing down in increase of new weekly cases around then, however Maharashtra continued increasing in terms of new cases. さらに、第4図(パネルa)では、デリーが6月の第3週に週1回の新規症例でピークに達し、タミル・ナドゥが新たな週2回の新規症例の増加を遅らせ始めたが、マハーラシュトラは新たな症例に関して増加を続けていた。 0.55
Maharashtra began slowing down towards end of July. マハラシュトラは7月末に減速し始めた。 0.60
In Panel (b), we find that new cases in West Bengal drastically increasing from 30th June an somewhat reaching a plateau post 25th August. パネル(b)では、西ベンガルの新しい症例が6月30日から劇的に増加し、8月25日時点の高原にやや到達した。 0.61
Similar to West Bengal, the new cases in Bihar increased drastically from 30th June and slowly reached peak by 22nd September and declined afterwards. 西ベンガルと同様に、ビハールの新しい症例は6月30日から劇的に増加し、9月22日までに徐々にピークに達し、その後減少した。 0.45
Figure 5 presents daily active cases and cumulative (total) deaths for key Indian states which remains in top 10 states with most number of cases, as shown in Table 1 and Table 2. 図5は、表1および表2に示すように、ほとんどのケースでトップ10の州に残っている主要なインド州の毎日のアクティブケースと累積(合計)死亡を示しています。 0.81
We notice that the active cases began declining in most states post 1st October, except for Delhi and Karnataka. 10月1日以降、デリーとカルナタカを除くほとんどの州で活動的な症例が減少し始めた。 0.70
Delhi has 3 major peaks of active cases and the third peak began declining post mid-November while Karnataka reached a plateau and began declining mid-October in terms of active cases. デリーには3つの主要な活動症例があり、第3のピークは11月中旬から減少し始め、カルナタカは高原に達し、10月中旬には活動症例の減少を始めた。 0.58
In terms of deaths, we do not see a sharp increase post October in most of states, except for Delhi which can be explained by multiple peaks and high number of active cases post October when compared to rest of the states. 死亡数については、デリーを除いて、ほとんどの州で10月以降は急上昇は見られないが、これは複数のピークと10月以降に他の州と比較して活発な症例が多いことが説明できる。 0.69
Note that we chose not to show daily deaths in the same graphs since the scales between active cases and deaths are quite different. アクティブなケースと死の間のスケールは、かなり異なるので、同じグラフで毎日の死亡を示さないことに注意してください。 0.70
Figure 6 shows a comparison of India with other countries (USA, France, Brazil, Russian, and Spain) which are considered to have major active cases for COVID-19. 図6は、インドと他の国(米国、フランス、ブラジル、ロシア、スペイン)の比較を示しています。
訳抜け防止モード: 図6は、インドと他の国の比較を示しています。 (アメリカ、フランス、ブラジル、ロシア、スペイン) これは、COVID-19の主要なアクティブケースであると考えられています。
0.66
We notice that India has a steady decline in active cases from October without a major rise in cumulative deaths whereas Spain, Russia, US, and France have steady increase in active cases. インドでは10月以降、累積死亡数が大きく増加することなくアクティブケースが着実に減少しており、スペイン、ロシア、米国、フランスではアクティブケースが着実に増加している。 0.71
Brazil seems to have reached a plateau in active cases from July to September with major spike in active cases from mid-October with gradual increase in cumulative deaths. ブラジルは7月から9月にかけて活動的な症例で高台に達し、10月中旬からは活動的な症例が急増し、累積死亡が徐々に増加している。 0.67
5. Results Figure 2: Bi-directional LSTM 5. 結果 図2:双方向LSTM 0.83
and then decoding from that representation. そしてその表現から復号するのです 0.66
We consider the input sequence (x1, ..., xn) with corresponding output sequence (y1, ..., ym), and estimate the conditional probability of the output sequence given an input sequence, i.e. 入力シーケンス (x1, ..., xn) と対応する出力シーケンス (y1, ..., ym) を考察し、入力シーケンスが与えられた出力シーケンスの条件付き確率を推定する。 0.76
p(y1, ..., ym|x1, ..., xn). p(y1, ..., ym|x1, ..., xn)。 0.94
In the encoding phase, given an input sequence, the ED-LSTM network computes a sequence of hidden states In decoding phase, it defines a distribution over the output sequence given the input sequence as shown in Figure 3. 符号化フェーズにおいて、入力シーケンスが与えられた場合、ED-LSTMネットワークは、復号フェーズにおいて、図3に示すように、入力シーケンスが与えられた出力シーケンス上の分布を定義する。 0.82
Figure 3: Encoder-Decoder LSTM 図3:エンコーダデコーダLSTM 0.89
4. India: Situation Report: 1st December, 2020 4. インド:状況報告:2020年12月1日 0.84
We provide a visual representation of the total number of COVID-19 infections for different states and union territories in India. インドにおける異なる州や組合領域における新型コロナウイルス感染症の総数を視覚的に表現する。 0.64
Tables 1 and 2 provide a rank of top ten Indian states with total cases 1st of every month. 表1および2は、毎月の合計ケース1でインドのトップ10州のランクを提供します。 0.79
We see that largely populated states such as Maharashtra (estimate population of 123 million [79]) has been leading India in number of total cases throughout the year. マハラシュトラ(推定人口123百万 [79])のような人口の多い州は、年間を通じてインドを総ケース数でリードしていることがわかります。 0.75
We note that state of Uttar Pradesh has estimate Uttar Pradeshの状態は推定されます。 0.79
In this section, we present results of prediction of COVID19 daily cases in India using prominent LSTM neural network models that includes, BD-LSTM and ED-LSTM with architectural details given in methodology (Section 3). 本稿では、BD-LSTMとED-LSTMを含む著名なLSTMニューラルネットワークモデルを用いて、インドにおける毎日19例の予測結果を示す(第3部)。 0.74
5.1. Experimental Design Our experiments consider the prediction task independently by taking both univariate and multivariate approach. 5.1. 実験設計 実験では,一変量と多変量の両方のアプローチで予測タスクを独立に検討した。 0.71
We provide a general overview of our investigations by taking the following steps. 調査の概要は、以下の手順で概説する。 0.45
5 5 0.85
英語(論文から抽出)日本語訳スコア
(a) Major affected states (a)主な影響を受けた州 0.70
(b) Eastern states (c) Northern states (b)東国 (c)北部州 0.67
(d) Small states Figure 4: Weekly average of new cases for groups of Indian states and union territories. (d)小州 図4: インドの州と組合領域の集団に対する新しい事例の週平均。 0.76
Rank 1 2 3 4 5 6 7 8 9 10 Rank 1 2 3 4 5 6 7 8 9 10 0.85
April Maharashtra (302) Kerala (241) Tamil Nadu (234) Delhi (152) Uttar Pradesh (103) Karnataka (101) Telengana (96) Rajasthan (93) Andhra Pradesh (83) Gujarat (82) April Maharashtra (302) Kerala (241) Tamil Nadu (234) Delhi (152) Uttar Pradesh (103) Karnataka (101) Telengana (96) Rajasthan (93) Andhra Pradesh (83) Gujarat (82) 0.85
July June May Maharashtra (174761) Maharashtra (67655) Maharashtra (10498) Tamil Nadu (90167) Tamil Nadu (22333) Gujarat (4395) Delhi (87360) Delhi (19844) Delhi (3515) Gujarat (32557) Gujarat (16779) Madhya Pradesh (2719) Rajasthan (8831) Uttar Pradesh (23492) Rajasthan (2584) Madhya Pradesh (8089) West Bengal (18559) Tamil Nadu (2323) Uttar Pradesh (2281) Uttar Pradesh (7823) Andhra Pradesh (1463) West Bengal (5501) Telengana (1039) West Bengal (795) 7月 5月 Maharashtra (174761) Maharashtra (67655) Maharashtra (10498) Tamil Nadu (90167) Tamil Nadu (22333) Gujarat (4395) Delhi (87360) Delhi (19844) Delhi (3515) Gujarat (32557) Gujarat (16779) Madhya Pradesh (2719) Rajasthan (8831) Uttar Pradesh (23492) Rajasthan (2584) Madhya Pradesh (8089) West Bengal (18559) Tamil Nadu (2323) Uttar Pradesh (2281) Uttar Pradesh (7823) Andhra Pradesh (63) West Bengal (550) Telegal (39) West Bengal (3979) West Bengal (39)。 0.88
Rajasthan (18014) Telengana (16339) Karnataka (15242) Andhra Pradesh (14595) Rajasthan (18014) Telengana (16339) Karnataka (15242) Andhra Pradesh (14595) 0.85
Bihar (3815) Andhra Pradesh (3679) Bihar (3815年) Andhra Pradesh (3679年) 0.88
August Maharashtra (422118) Tamil Nadu (245859) Andhra Pradesh (140933) Delhi (135598) Karnataka (124115) Uttar Pradesh (85461) West Bengal (70188) Telengana (62703) Gujarat (61438) Bihar (51233) August Maharashtra (422118) Tamil Nadu (245859) Andhra Pradesh (140933) Delhi (135598) Karnataka (124115) Uttar Pradesh (85461) West Bengal (70188) Telengana (62703) Gujarat (61438) Bihar (51233) 0.85
Table 1: Rank of states by number of total cases in brackets (April to August 2020) 表1:ブラケットの合計ケース数による状態のランク(2020年4月~8月)。 0.78
6 6 0.85
英語(論文から抽出)日本語訳スコア
Rank 1 2 3 4 5 6 7 8 9 10 Rank 1 2 3 4 5 6 7 8 9 10 0.85
September Maharashtra (792541) Andhra Pradesh (434771) Tamil Nadu (428041) Karnataka (342423) Uttar Pradesh (230414) Delhi (174748) West Bengal (162778) Bihar (136457) Telengana (127697) Assam (109040) September Maharashtra (792541) Andhra Pradesh (434771) Tamil Nadu (428041) Karnataka (342423) Uttar Pradesh (230414) Delhi (174748) West Bengal (162778) Bihar (136457) Telengana (127697) Assam (109040) 0.85
October Maharashtra (1384446) Andhra Pradesh (693484) Karnataka (601767) Tamil Nadu (597602) Uttar Pradesh (399082) Delhi (279715) West Bengal (257049) Odisha (219119) Kerala (196106) Telengana (193600) 10月 マハラシュトラ (1384446) Andhra Pradesh (693484) Karnataka (601767) Tamil Nadu (597602) Uttar Pradesh (399082) Delhi (279715) West Bengal (257049) Odisha (219119) Kerala (196106) Telengana (193600) 0.84
November Maharashtra (1678406) Karnataka (823412) Andhra Pradesh (823348) Tamil Nadu (724522) Uttar Pradesh (481863) Kerala (43310) Delhi (386706) West Bengal (373664) Odisha (290116) Telengana (240048) 11月 Maharashtra (1678406) Karnataka (823412) Andhra Pradesh (823348) Tamil Nadu (724522) Uttar Pradesh (481863) Kerala (43310) Delhi (386706) West Bengal (373664) Odisha (290116) Telengana (240048) 0.86
December Maharashtra (1823896) Karnataka (884897) Andhra Pradesh (868064) Tamil Nadu (781915) Kerala (602982) Delhi (570374) Uttar Pradesh (543888) West Bengal (483484) Odisha (318725) Telengana (270318) 12月 Maharashtra (1823896) Karnataka (884897) Andhra Pradesh (868064) Tamil Nadu (781915) Kerala (602982) Delhi (570374) Uttar Pradesh (543888) West Bengal (483484) Odisha (318725) Telengana (270318) 0.86
Table 2: Rank of states by number of total cases in brackets (September to December 2020) 表2:ブラケットの総ケース数による状態のランク(2020年9月~12月) 0.82
Figure 5: Daily active cases and cumulative death in key states of India. 図5:インドの主要州における毎日のアクティブケースと累積死亡。 0.83
7 7 0.85
英語(論文から抽出)日本語訳スコア
Figure 6: Daily active cases and cumulative death in hot-spot countries. 図6: ホットスポット諸国の毎日のアクティブケースと累積死亡。 0.82
• Evaluate what is best way to split training and testing datasets using two methods as follows. • トレーニングとテストデータセットを2つの方法で分割する最善の方法を評価する。 0.83
We use static split of training samples from beginning of COVID-19 until 30th September 2020, and then use the remaining for test dataset. 私たちは、covid-19の開始から2020年9月30日まで、トレーニングサンプルを静的に分割し、残りのデータをテストデータセットとして使用します。 0.56
In random split, we use data where the train and test set are created by randomly shuffling the dataset. ランダムスプリットでは、データセットをランダムにシャッフルして、トレインとテストセットが生成されるデータを使用する。 0.70
• Evaluate if univariate or multivariate approach of predic- •述語の不等式・多変量アプローチの評価- 0.67
tion provides better results. tionはより良い結果をもたらす。 0.64
• Show results for entire case of India, and then two leading states for COVID-19 infections, i.e. • インド全体の症例、および新型コロナウイルス感染の2つの主要な州、すなわち、結果を表示します。 0.64
Maharashtra and Delhi. マハラシュトラとデリー。 0.43
• Evaluate the accuracy of the three models, (LSTM, BD- • 3モデル(LSTM, BD-)の精度を評価する。 0.81
LSTM, ED-LSTM) LSTM, ED-LSTM) 0.84
• Using best LSTM models, provide a two month outlook for new daily cases by feeding back predictions into the trained models. • 最高のLSTMモデルを用いて、トレーニングされたモデルに予測をフィードバックすることで、新しい日々のケースの2ヶ月の見通しを提供する。 0.71
The data used in the entire analysis is taken from Indian Institute of Statistical Science, Bangalore [80]. 分析全体に使用されるデータは、バンガロールのIndian Institute of Statistical Science [80]から取得されます。 0.82
They have compiled the data from Ministry of Health and Family Welfare Government of India website [81]. 彼らはインドの厚生労働省のWebサイト[81]からのデータをまとめました。 0.62
The univariate and multivariate time series were preprocessed into a state-space vector using Taken’s theorem [68] with embedding dimension window (D = 5) and time-lag (T = 2) for multi-step ahead prediction. 多変量および多変量時系列は、多段前方予測のための埋め込み次元ウィンドウ (d = 5) とタイムラグ (t = 2) を持つテイクの定理 [68] を用いて、状態空間ベクトルに前処理された。 0.76
Note that each problem (given by dataset) featured MS A = 4 and MS A = 10. 各問題(データセットによる)には、ms a = 4 と ms a = 10 がある。 0.74
The data has been averaged with a rolling mean of 3 days. データ 平均的な転がり平均は3日です。 0.56
To remove outliers, we started our analysis from 15th April. 4月15日から,アウトリーチを除去するために分析を開始した。 0.58
The entire dataset is based on new cases per day which is normalised taking the maximum number of daily cases into account. データセット全体は、日々のケースの最大数を考慮に入れた、毎日の新しいケースに基づいています。 0.73
Adam optimizer was used for training the respective LSTM models with mean squared error (MSE) loss function. 平均二乗誤差(MSE)損失関数を用いて各LSTMモデルのトレーニングにAdam Optimizationrが使用された。 0.82
Table 3 and Table 4 describe the topology for the respective LSTM models for univariate and multivariate cases, respectively. 表3と表4は、各一変量および多変量の場合のLSTMモデルのトポロジーを記述する。 0.82
In case of univariate model, the input contains one feature window size of six time steps backwars that is used to predict four steps ahead. 不等式モデルの場合、入力は4つのステップを予測するために使用される6つのタイムステップバックウォーの1つの機能ウィンドウサイズを含む。 0.67
In case of multivariate model, the input contain four features which represents the adjacent states in relation to the state taken into account; i.e. 多変量モデルの場合、入力には、考慮された状態に関連して隣接する状態を表す4つの特徴が含まれる。 0.83
in the case of Maharashtra (Maharashtra, Gujarat, Madhya Pradesh, Uttar Pradesh) and in the case of Delhi (Delhi, Rajasthan, Uttar Pradesh, Haryana). マハラシュトラ(Maharashtra, Gujarat, Madhya Pradesh, Uttar Pradesh)やデリー(Delhi, Rajasthan, Uttar Pradesh, Haryana)の場合。 0.63
In multivariate model of India, all the states are taken as features. インドの多変量モデルでは、すべての州が特徴として扱われる。 0.63
We note that similar to univariate model, the multivariate model considers data from steps backwards (window) for four stepahead prediction. 多変量モデル(multivariate model)は、不定値モデルと同様に、ステップ逆 (window) からのデータを考慮し、4つのステップヘッド予測を行う。 0.62
We note that we use two hidden layers in the LSTM univariate models (hidden layer 1 and 2) and one hidden layer for LSTM multivariate models based on trial experiment runs. LSTM一変量モデル(隠れ層1および2)には2つの隠れ層を使用し、試験実験に基づくLSTM多変量モデルには1つの隠れ層を使用します。 0.87
In multivariate case, we do not have additional hidden layers. 多変量の場合、追加の隠蔽層は存在しません。 0.68
In case of random shuffling, the training dataset had 165 instances, wheres test dataset had 55 instances. ランダムシャッフルの場合、トレーニングデータセットは165インスタンス、テストデータセットは55インスタンスだった。 0.59
In case of static split, the training dataset had 158 samples whereas test dataset had 53 instances. 静的スプリットの場合、トレーニングデータセットは158サンプル、テストデータセットは53インスタンスだった。 0.70
The processes datasets and open source code for the respective models have been provided online 8. プロセスデータセットと各モデルのオープンソースコードがオンライン8.1で提供されている。 0.73
8https://github.com/ sydney-machine-learn ing/ 8https://github.com/ sydney-machine-learn ing/ 0.29
8 8 0.85
英語(論文から抽出)日本語訳スコア
Input Method LSTM (6,1) BD-LSTM (6,1) ED-LSTM (6,1) 入力方法 LSTM (6,1) BD-LSTM (6,1) ED-LSTM (6,1) 0.70
Hidden layer 1 32 32 32 隠された層1 32 32 32 32 0.72
Hidden layer 2 32 16 - 隠された層2 32 16。 0.68
Output (1,4) (1,4) (1,4) 出力(1,4) (1,4) (1,4) 0.73
Table 3: Respective LSTM model topologies for univariate case. 表3: 単変量の場合のLSTMモデルトポロジーを参照。 0.79
Input Method (6,4) LSTM BD-LSTM (6,4) ED-LSTM (6,4) 入力方法 (6,4) LSTM BD-LSTM (6,4) ED-LSTM (6,4) 0.70
Hidden-layer 32 32 32 隠れ層32 32 32 0.88
Output (1,4) (1,4) (1,4) 出力(1,4) (1,4) (1,4) 0.73
Table 4: Respective LSTM model topologies for Multivariate case. 表4:多変量ケースに対するLSTMモデルトポロジを参照。 0.82
We review the performance of the respective methods in terms of scalability and robustness which refers to the ability to maintain consistent prediction performance as the prediction horizon increases. 予測の地平線が大きくなるにつれて一貫した予測性能を維持する能力を示すスケーラビリティと堅牢性の観点から,各手法の性能を概観する。 0.82
The RMSE in Equation 2 is used as the main performance measure for prediction accuracy Equation 2 の RMSE は、予測精度の主なパフォーマンス測定値として使用されます。 0.76
(cid:118)(cid:117)(c id:116) (cid:118)(cid:117)(c id:116) 0.74
N(cid:88) (yi − ˆyi)2 N(cid:88) (yi − yyi)2 0.99
(2) RMS E = (2) RMS E = 0.85
1 N i=1 where yi, ˆyi are the observed data, predicted data, respectively. 1N i=1 yiとyyiはそれぞれ観測されたデータ、予測されたデータです。 0.69
N is the length of the observed data. N は観測データの長さである。 0.85
We use RMSE for each prediction horizon and for each problem, we report the mean error for the respective prediction horizons (time-steps ahead). 我々は,各予測地平線に対してRMSEを用い,各問題に対して,各予測地平線に対する平均誤差を報告する。 0.76
In all experiments, we present the mean and 95 % confidence interval for 30 experiment runs where the respective LSTM models are initialised with different set of initial weights, but from uniform distribution in same range [-0.5, 0.5]. 実験では,各lstmモデルが初期重みの異なるセットで初期化されるが,同じ範囲の均一分布 [-0.5, 0.5] で初期化される30実験の平均信頼区間と95%信頼区間を示す。 0.84
We are using dropout rate of 0.2 for all LSTM models in the respective experiments. 各実験では, LSTM モデルすべてに対して 0.2 のドロップアウト率を用いている。 0.76
5.2. Prediction performance Figure 7 shows univariate LSTM, BD-LSTM and ED-LSTM models with a static split of train/test dataset. 5.2. 予測性能 図7は、列車/テストデータセットを静的に分割した一変量LSTM、BD-LSTM、ED-LSTMモデルを示している。 0.68
Figure 8 shows univariate random splitting of train/test datasets using the same models. 図8は、同じモデルを使用したトレイン/テストデータセットのランダムな分割を示しています。 0.57
We observe that the prediction for India cases has a unique trend where the model was improving with increase in the prediction horizon (steps) when compared to Maharashtra and Delhi cases (Panels d and f). インドのケースの予測は、マハラシュトラとデリー(dとf)と比較して予測地平線(steps)の増加に伴ってモデルが改善しているという独自の傾向が観察されている。 0.80
The corresponding cases in random-split case shows a different trend and better accuracy with lower RMSE (Panels b and f) for India and Delhi cases, with exception of Maharashtra (Panel d) of Figure 8. ランダムスプリットケースの対応するケースは、図8のmaharashtra (panel d)を除いて、インドとデリーのケースでは、より低いrmse (panels b と f) の傾向と精度を示している。 0.76
Figure 9 shows results for the multivariate approach, where the same methods used in univarite case was used (LSTM, EDLSTM, BD-LSTM). 図9は、単変量の場合と同じ方法(LSTM, EDLSTM, BD-LSTM)を用いた多変量アプローチの結果を示している。 0.82
We find that ED-LSTM model gives best performance for India and Maharastra cases in test dataset, but deteriorates in the Delhi case. ED-LSTMモデルはテストデータセットにおいてインドとマハラストラのケースに最適な性能を与えるが、デリーの場合では劣化する。 0.69
Figure 10 shows results for the case of random shuffling of train/test dataset using the respective methods. 図10は、各手法を用いて、トレイン/テストデータセットのランダムシャッフルの場合の結果を示します。 0.62
LSTM-COVID-19-India LSTM-COVID-19-India 0.29
Table 5 and Table 6 provide a summary from Figures7, 8, 9 and 10 of test performance by the respective models for random and static split. 表5および表6は、ランダムおよび静的分割のための各モデルによるテストパフォーマンスの図7、8、9および10からの要約を提供します。 0.83
We notice that LSTM model has generally performed much better than ED-LSTM and BD-LSTM for most of the cases. LSTMモデルは一般的にED-LSTMやBD-LSTMよりも優れた性能を示した。 0.79
There are some outliers, where ED-LSTM showed better results for univariate case of India in Table 5. ED-LSTMは、インドにおける単変量ケースに対して、表5でより良い結果を示した。 0.67
In multivariate cases, we find that BD-LSTM does best for case of Maharashtra and Delhi in Table 6 whereas, LSTM has given the best results in most of the cases. 多変量の場合、BD-LSTMはテーブル6のマハラシュトラとデリーの場合に最適であり、LSTMはほとんどのケースで最良の結果を与えています。 0.73
One of the issues of EDLSTM and BD-LSTM is over-training. EDLSTMとBD-LSTMの課題の1つはオーバートレーニングです。 0.72
Moreover, when we compare random split to shuffle split, for univariate and multivariate models, we see that in case of India and Maharashtra, static split gives better performance than random split. さらに、ランダムスプリットとシャッフルスプリットを比較すると、一変数モデルと多変数モデルの場合、インドとマハラシュトラの場合、静的スプリットはランダムスプリットよりも優れたパフォーマンスをもたらすことがわかります。 0.64
In case of Delhi, we see that random split gives better results than static split. デリーの場合、ランダムな分割は静的分割よりも優れた結果をもたらすことがわかります。 0.65
We note that as shown in previous analysis (Figures 5 and 6), the trend of India and Maharashtra is similar with a major peak of cases while Delhi has a different trend where there are three peaks. 前回の分析(図5および6)に示すように、インドとマハラシュトラの傾向は主要な症例のピークと似ていますが、デリーには3つのピークがある別の傾向があります。 0.76
This is the major reason why India and Maharashtra has static split with better performance. これがインドとマハラシュトラがより良いパフォーマンスで静的分割をしている主な理由です。 0.72
It is difficult to rule out which type of model (univariate vs multivariate) is better for the different datasets. 異なるデータセットに対して、どのタイプのモデル(univariate と multivariate)がより良いのかを判断するのは困難です。 0.78
Looking at static and random split, in some cases the multivariate model improves while in some cases, it deteriorates the performance. 静的およびランダムな分割を見て、場合によっては多変量モデルは改善し、場合によってはパフォーマンスを低下させる。 0.65
Next, we select two univariate LSTM models for the three datasets to provide a two months outlook for COVID-19 in India using random split. 次に、3つのデータセットに対して2つの一変量LSTMモデルを選択し、ランダム分割を使用してインドのCOVID-19の2ヶ月の見通しを提供します。 0.63
We note that the predictions are for December 2020, and January 2021 using LSTM models trained on 75% data from 15 April up to 1st December, which was splitted randomly. 予測は2020年12月と2021年1月で、4月15日から12月1日までの75%のデータでトレーニングされたlstmモデルを用いて行われた。 0.73
Figure 11 presents results for univariate LSTM and BD-LSTM models predicting next 60 days where the 4 stepsahead predictions are used as feedback to the respective LSTM models. 図11は、4つのステップの予測が各LSTMモデルへのフィードバックとして使用される次の60日を予測する一変性LSTMおよびBD-LSTMモデルの結果を示します。 0.70
The uncertainty of prediction is shown for 30 experiment runs with different weight initialisation in the LSTM models which is shown as the shaded green region representing the 95th and 5th percentile and mean prediction is shown as solid line. 予測の不確実性は、第95および第5パーセンタイルを表すシェードグリーン領域として示され、平均予測が固体線として示されるLSTMモデルで異なる重量初期化を伴う30回の実験で示される。 0.82
We notice that in all cases, there is a trend of general decline in cases and we also find that the LSTM models well capture the spike and fall in cases every few days. いずれの場合も、ケースの一般的な減少傾向があり、LSTMモデルが数日ごとにケースのスパイクと落下をうまく捉えていることに気付きます。
訳抜け防止モード: いずれの場合も、ケースの一般的な減少傾向があることに気付きます。 また、LSTMモデルが数日ごとにスパイクや落下をうまく捉えていることも分かりました。
0.73
We notice that there is less uncertainty (highlighted in green) in case of Delhi when compared to Maharashtra and rest of India. インドのマハラシュトラや他の地域と比較すると、デリーの場合の不確実性(緑の光度)は低いことが分かる。 0.61
We note that in case of Delhi, there were three major peaks as shown in Figure 5. Delhiの場合、図5に示すように、大きなピークは3つあります。 0.68
The trend of Maharashtra in Figure 5 is similar to trend of India in Figure 6 in terms of daily new cases. 図5のマハラシュトラの傾向は、毎日の新しいケースの点で図6のインドの傾向に似ています。 0.73
Therefore, we see similar trend for them when when looking at the uncertainty in Figure 11. したがって、図11で不確実性を見てみると、同様の傾向が見られる。 0.76
6. Discussion Our research incorporated some of the latest and most prominent forecasting tools via deep learning, and highlighted the challenges given limited data and the spread of infections. 6. 討論 我々の研究は、ディープラーニングによる最新の、そして最も顕著な予測ツールを取り入れ、限られたデータと感染拡大の課題を強調した。 0.70
Generally, our results show that LSTM model gives the best performance for most cases when compared to ED-LSTM and BDLSTM. 一般的に, ED-LSTM や BDLSTM と比較して, LSTM モデルが最も優れた性能を示した。 0.84
Moroever, we found that India and Maharastra datasets have similar trend in new cases and model performance give statics split of train/test data gives better results. Moroeverは、インドとマハラストラのデータセットは、新しいケースで同様の傾向があり、モデルのパフォーマンスは、列車/テストデータの静的分割がより良い結果をもたらすことを発見しました。
訳抜け防止モード: さすがに 見つけたのは インドとマハラストラのデータセットは新たなケースで同様の傾向 そして、モデルパフォーマンスにより、列車/テストデータのスタティックスプリットがより良い結果をもたらす。
0.62
However, it 9 しかし それは 9 0.77
英語(論文から抽出)日本語訳スコア
India Delhi Maharashtra インド デリー マハラシュトラ 0.55
Model Random Split モデル ランダムスプリット 0.72
Static Split Random Split 静的分割 ランダムスプリット 0.64
Static Split Random Split 静的分割 ランダムスプリット 0.64
Static Split LSTM RMSE 22723 BD-LSTM 22610 7732 ED-LSTM 静的分割 LSTM RMSE 22723 BD-LSTM 22610 7732 ED-LSTM 0.74
Std. Dev. RMSE 10636 10665 12125 スタッド。 開発。 RMSE 10636 10665 12125 0.62
811 873 272 811 873 272 0.85
Std. Dev. RMSE 1403 1455 1690 スタッド。 開発。 RMSE 1403 1455 1690 0.62
268 395 1663 268 395 1663 0.85
Std. Dev. RMSE 3441 3516 3488 スタッド。 開発。 RMSE 3441 3516 3488 0.62
67 65 79 Std. 67 65 79 スタッド。 0.66
Dev. RMSE 5017 5205 5361 開発。 RMSE 5017 5205 5361 0.69
506 875 234 506 875 234 0.85
Std. Dev. RMSE 2698 2845 2503 スタッド。 開発。 RMSE 2698 2845 2503 0.62
243 296 276 243 296 276 0.85
Std. Dev. 210 287 266 スタッド。 開発。 210 287 266 0.62
Table 5: Univariate Model Results on Test dataset. 表5: テストデータセット上の一様モデル結果。 0.80
India Delhi Maharashtra インド デリー マハラシュトラ 0.55
Model Random Split モデル ランダムスプリット 0.72
Static Split Random Split 静的分割 ランダムスプリット 0.64
Static Split Random Split 静的分割 ランダムスプリット 0.64
Static Split LSTM RMSE 15144 BD-LSTM 16490 ED-LSTM 21918 静的分割 LSTM RMSE 15144 BD-LSTM 16490 ED-LSTM 21918 0.74
Std. Dev. 1404 769 3233 スタッド。 開発。 1404 769 3233 0.62
RMSE 13102 24398 15245 RMSE 13102 24398 15245 0.85
Std. Dev. RMSE 1322 1186 1406 スタッド。 開発。 RMSE 1322 1186 1406 0.62
2279 6172 4657 2279 6172 4657 0.85
Std. Dev. RMSE 4395 5065 5238 スタッド。 開発。 RMSE 4395 5065 5238 0.62
28 36 225 Std. 28 36 225 スタッド。 0.66
Dev. RMSE 4572 4930 6456 開発。 RMSE 4572 4930 6456 0.69
292 236 530 292 236 530 0.85
Std. Dev. RMSE 4954 4444 5731 スタッド。 開発。 RMSE 4954 4444 5731 0.62
274 260 529 274 260 529 0.85
Std. Dev. 516 786 583 スタッド。 開発。 516 786 583 0.62
Table 6: Multivariate Model Results on Test dataset. 表6: テストデータセットの多変量モデル結果。 0.88
(a) India (train and test) (a)インド(列車・試験) 0.71
(b) India (test horizon) (b)インド(テスト地平線) 0.77
(a) India (train and test) (a)インド(列車・試験) 0.71
(b) India (test horizon) (b)インド(テスト地平線) 0.77
(c) Maharashtra (train and test) (c)マハラシュトラ(列車・試験) 0.58
(d) Maharashtra (test horizon) (d)マハラシュトラ(テスト地平線) 0.64
(c) Maharashtra (train and test) (c)マハラシュトラ(列車・試験) 0.58
(d) Maharashtra (test horizon) (d)マハラシュトラ(テスト地平線) 0.64
(e) Delhi (train and test) (e)デリー(列車・試験) 0.58
(f) Delhi (test horizon) (f)デリー(テスト地平線) 0.59
(e) Delhi (train and test) (e)デリー(列車・試験) 0.58
(f) Delhi (test horizon) (f)デリー(テスト地平線) 0.59
Figure 7: Univariate LSTM, BD-LSTM and ED-LSTM models with a static split of train/test dataset. 図7: 列車/テストデータセットを静的に分割したUnivariate LSTM、BD-LSTM、ED-LSTMモデル。 0.68
The mean and 95 % confidence interval for 30 experiment runs are shown as error bars are shown with bar plots for train and test dataset and test horizon showing respective step-ahead predictions. 30回の試験で平均95%の信頼区間が示され、各ステップアヘッド予測を示す試験用データセットと試験用水平線のバープロットでエラーバーが示される。 0.79
Figure 8: Univariate LSTM, BD-LSTM and ED-LSTM models with a random split of train/test dataset. 図8: 列車/テストデータセットをランダムに分割したUnivariate LSTM、BD-LSTM、ED-LSTMモデル。 0.69
The mean and 95 % confidence interval for 30 experiment runs are shown as error bars are shown with bar plots for train and test dataset and test horizon showing respective step-ahead predictions. 30回の試験で平均95%の信頼区間が示され、各ステップアヘッド予測を示す試験用データセットと試験用水平線のバープロットでエラーバーが示される。 0.79
10 10 0.85
英語(論文から抽出)日本語訳スコア
(a) India (train and test) (a)インド(列車・試験) 0.71
(b) India (test horizon) (b)インド(テスト地平線) 0.77
(a) India (train and test) (a)インド(列車・試験) 0.71
(b) India (test horizon) (b)インド(テスト地平線) 0.77
(c) Maharashtra (train and test) (c)マハラシュトラ(列車・試験) 0.58
(d) Maharashtra (test horizon) (d)マハラシュトラ(テスト地平線) 0.64
(c) Maharashtra (train and test) (c)マハラシュトラ(列車・試験) 0.58
(d) Maharashtra (test horizon) (d)マハラシュトラ(テスト地平線) 0.64
(e) Delhi (train and test) (e)デリー(列車・試験) 0.58
(f) Delhi (test horizon) (f)デリー(テスト地平線) 0.59
(e) Delhi (train and test) (e)デリー(列車・試験) 0.58
(f) Delhi (test horizon) (f)デリー(テスト地平線) 0.59
Figure 9: Multivariate model using LSTM, BD-LSTM and ED-LSTM with a static split of train/test datasets. 図9: LSTM、BD-LSTM、ED-LSTMを使った多変量モデル。 0.64
The mean and 95 % confidence interval for 30 experiment runs are shown as error bars are shown with bar plots for train and test dataset and test horizon showing respective step-ahead predictions. 30回の試験で平均95%の信頼区間が示され、各ステップアヘッド予測を示す試験用データセットと試験用水平線のバープロットでエラーバーが示される。 0.79
Figure 10: Multivariate model using LSTM, BD-LSTM and ED-LSTM with a random shuffle split of train/test datasets. 図10: 列車/テストデータセットをランダムにシャッフル分割したLSTM、BD-LSTM、ED-LSTMを使用した多変量モデル。 0.65
The mean and 95 % confidence interval for 30 experiment runs are shown as error bars are shown with bar plots for train and test dataset and test horizon showing respective step-ahead predictions. 30回の試験で平均95%の信頼区間が示され、各ステップアヘッド予測を示す試験用データセットと試験用水平線のバープロットでエラーバーが示される。 0.79
11 11 0.85
英語(論文から抽出)日本語訳スコア
(a) India LSTM (a)インドLSTM 0.76
(b) India BD-LSTM (b)インドBD-LSTM 0.73
(c) Maharashtra LSTM (c) マハラシュトラLSTM 0.66
(d) Maharashtra BD-LSTM (d) Maharashtra BD-LSTM 0.88
Figure 11: Univariate LSTM and BD-LSTM models predicting next 60 days where the uncertainty of prediction is shaded in green and mean prediction is shown in solid blue line 図 11: 一様LSTMとBD-LSTMモデル 予測の不確かさが緑に陰り、平均予測が固い青色線で示される60日間の予測 0.80
(e) Delhi LSTM (e) Delhi LSTM 0.85
(f) Delhi BD-LSTM (f) デリーBD-LSTM 0.63
12 12 0.85
英語(論文から抽出)日本語訳スコア
is not clear to establish the winner when it comes to univariate vs multivariate performance since it depends on the dataset and models. データセットとモデルに依存するため、不平等と多変数のパフォーマンスに関して勝者を確立することは明確ではありません。 0.65
Hence, it is difficult to determine the effect of the adjacent states in the multivariate model. したがって、多変量モデルにおける隣接状態の効果を決定することは困難である。 0.86
In order to improve forecasting results, our models should have more data for training. 予測結果を改善するためには、トレーニング用のデータを増やす必要がある。 0.69
In general, the random splitting of data set improves model predictions, thus the maximum number of peaks our model can learn from, the better it should predict. 一般的に、データセットのランダムな分割はモデル予測を改善します。これにより、モデルが学習できるピークの最大数は、予測するほど良くなります。 0.78
The univariate models will work well under above conditions. 不定形モデルは上記の条件下ではうまく機能する。 0.63
We presented analysis of COVID-19 infections in India and provided a general comparison with some of the other hotspot countries (such as US and Russia as shown in Figure 6) and found a tend of decline of new cases for the case of India. 我々は、インドにおけるCOVID-19感染の分析を提示し、他のホットスポット諸国(図6に示すように米国とロシアなど)と一般的な比較を提供し、インドの場合の新しい症例の減少傾向を見出した。 0.86
Surprisingly, the Indian peak in new cases was reached around the time when the government began lifting nationwide lockdown and focused more on state-level and hot-spot based lock downs [82, 83]; however, there has been strict regulations in terms of maintaining social distance and use of face-masks [84]. 驚くべきことに、政府は全国的なロックダウンを解除し、国家レベルとホットスポットベースのロックダウンに焦点を当て始めたころに新しいケースのインドのピークに達しました[82, 83]が、社会的な距離の維持とフェイスマスクの使用に関する厳格な規制がありました[84]。 0.68
There are number of challenges in COVID-19 forecasting due to the nature of the infections, reporting of cases, and effect of lock downs. 新型コロナウイルス(covid-19)の予測には、感染症の性質、症例の報告、ロックダウンの影響などによって多くの課題がある。
訳抜け防止モード: 新型コロナウイルス(covid-19)の予測には、感染症の性質によって多くの課題がある。 症例報告とロックダウンの効果
0.52
Nevertheless, despite the challenges and given limited dataset, we have been successful in developing LSTM models for forecasting trend of daily new cases. にもかかわらず、これらの課題や限られたデータセットが与えられたにもかかわらず、我々は毎日の新規症例の傾向を予測するLSTMモデルの開発に成功している。 0.60
Our long-term forecasts for two months (December 2020, and January 2021) shows that there will be steady decline in new cases in India and the respective states. 今後2カ月(2020年12月から2021年1月)の長期予測は、インドと各州の新規感染者が着実に減少することを示している。 0.73
We find that Delhi’s two monthly forecasts provided (Figure 11) less uncertainty when compared to Maharashtra and India cases. delhiの月間予測(第11図)は、マハラシュトラやインドに比べて不確実性が低いことが判明した。 0.60
We also noticed that there is similar level of uncertainty by LSTM and BD-LSTM models. また,LSTMモデルとBD-LSTMモデルにも同様の不確実性があることに気付いた。 0.66
Our model uncertainty increases due to the limitations in the dataset and models. 私たちのモデルの不確実性は、データセットとモデルの制限のために増加します。 0.59
Our framework has been limited in capturing social-cultural aspects, population density, and level of lock-downs due to missing information and data. 社会的・文化的側面、人口密度、欠落した情報やデータによるロックダウンレベルを捉える枠組みは限られています。 0.63
Moreover, inter-state travels and the chaotic nature of spread of COVID19 infections makes it increasingly harder to provide reliable long-term forecasts. さらに、国家間旅行やCOVID19感染拡大のカオス的な性質は、信頼性の高い長期予測の提供をますます困難にしている。 0.60
We take into account the population density as five Indian cities make the top 50 mostly densely populated cities in the world [85], where Mumbai ranks 5th and Delhi the 40th. 人口密度を考慮すると、5つのインド都市が世界の人口密度の高い都市(85)のトップ50を占めており、ムンバイは5位、デリーは40位となっている。 0.69
India so far (1st December, 2020) has conducted 140 million tests with around 100 thousand tests per million population [7]. これまでのところ、インド(2020年12月1日)は1億4000万のテストを行い、人口は1億人にのぼる[7]。 0.63
The impact of COVID-19 on Indian gross domestic product (GDP) is significant, but not as bad when compared to developed western nations [86, 87]. インドの国内総生産(GDP)に対するCOVID-19の影響は重要ですが、先進国と比較してそれほど悪くありません[86, 87]。 0.78
One of the most crucial aspect of management of spread of COVID-19 infections is the role the government played in timely closing their international borders and enforcing lock-downs to various degrees. 新型コロナウイルス(COVID-19)の感染拡大を管理する上で最も重要な側面の1つは、政府が国際的国境をタイムリーに閉鎖し、様々な程度にロックダウンを強制する役割である。
訳抜け防止モード: 新型コロナウイルス感染拡大の最も重要な側面の一つは、その役割である 政府はタイムリーに国際国境を閉鎖し ロックを解除しました 様々な程度まで下降します
0.59
We need to note that different countries have different geographical and population dynamics, such as population density and social aspects. 異なる国は人口密度や社会的側面など、地理的・人口動態が異なることに留意する必要がある。 0.78
It is not a good idea to compare cities that are highly densely populated with lowly density populated cities although the overall population may be similar. 人口密度の低い都市で人口密度が高い都市を比較するのは良い考えではないが、全体の人口は似ているかもしれない。 0.77
Overall, it is also important to look at cultural factors such as rituals [88], and role of nuclear and extended families [89]. 全体としては、儀式[88]などの文化的要因、および核および拡張家族の役割[89]を見ることも重要です。 0.80
In countries such as India, there is large portion of inter-state migrant workers [90] and also a large portion of the population is in rural areas [91] that also have extended families. インドなどの国では、国家間移民労働者(90)が多数を占めており、人口の大部分が家族を拡大した農村地帯(91)に居住している。 0.74
These factors made further challenges これらの要因はさらなる課題を生んだ 0.54
in containing the spread of COVID-19 infections and are hard to be captured by computational and mathematical models. 新型コロナウイルスの感染拡大を包含し、計算モデルや数学的モデルで捉えるのが困難である。 0.47
In future work, it is important to incorporate robust uncertainty quantification in collection and sampling data model training and model parameters; hence, Bayesian inference framework for deep learning for COVID-19 forecasts would be needed [92, 93, 94, 95]. 今後の研究では、データモデルトレーニングとモデルパラメータの収集とサンプリングにロバストな不確実性定量化を組み込むことが重要であり、そこでは、COVID-19予測のためのディープラーニングのためのベイズ推論フレームワークが必要である [92,93,94,95]。 0.71
We could also develop similar models for death rate and other trends related to COVID-19. 死亡率やその他のcovid-19に関連するトレンドについても同様のモデルを開発することも可能です。 0.59
Moreover, deep learning and LSTM models could be used to model the rise and fall of cases and the effect it has on economy of a country. さらに、深層学習モデルとLSTMモデルは、ケースの立ち上がりと、それが国の経済に与える影響をモデル化するために使用することができる。 0.85
7. Conclusions We presented the use of LSTM models for COVID-19 forecasting for India. 7. 結論 我々は、インドにおける新型コロナウイルスの予測にLSTMモデルを適用した。 0.66
Our results show the challenges of forecasting given limited data which is highly biased given that we have a single major peak when considering entire India cases. 以上の結果から,インド全体のケースを考えると,大きなピークが1つあることから,限られたデータ量で予測することの難しさが示された。 0.61
We experimented with different ways of creating training and test data and models which all showed strengths and limitations that made it difficult to choose a single model. トレーニングとテストデータとモデルを作成するさまざまな方法で実験を行い、それぞれが強みと制限を示し、1つのモデルを選択するのが難しくなりました。 0.75
Our two months ahead forecast shows general decline in new cases; however, this has a number of limitations and assumptions and does not feature robust uncertainty quantification. 今後2カ月の予測では,新たな症例が全般的に減少する傾向が見られたが,制限や仮定が多数存在し,堅牢な不確実性定量化が特徴ではない。 0.61
In future work, it is important to further enhance the respective models and also provide robust uncertainty quantification, both in data and model parameters and hence Bayesian inference would be very useful. 今後の研究では、各モデルをさらに強化し、データパラメータとモデルパラメータの両方において堅牢な不確実性定量化を提供することが重要である。 0.72
Moreover, it is important to incorporate more features in the model for reducing uncertainty in model predictions. さらに、モデル予測における不確実性を減らすために、モデルにより多くの機能を組み込むことが重要です。 0.65
Software and Data ソフトウェアとデータ 0.83
Data and open source code in Python is available for further pythonのデータとオープンソースコードがさらに利用可能になる 0.82
analysis 9. References [1] A. E. Gorbalenya, S. C. Baker, R. S. Baric, R. J. de Groot, C. Drosten, A. 分析9 参考文献 [1] A. E. Gorbalenya, S. C. Baker, R. S. Baric, R. J. de Groot, C. Drosten, A。 0.70
A. Gulyaeva, B. L. Haagmans, C. Lauber, A. M. Leontovich, B. W. Neuman, D. Penzar, L. L. M. P. Stanley Perlman10, D. V. Samborskiy, I. A. Gulyaeva, B. L. Haagmans, C. Lauber, A. M. Leontovich, B. W. Neuman, D. Penzar, L. L. M. P. Stanley Perlman10, D. V. Samborskiy, I。 0.80
A. Sidorov, I. Sola, and J. Ziebuhr, “The species severe acute respiratory syndrome-related coronavirus: classifying 2019-ncov and naming it sarscov-2,” Nature Microbiology, vol. a. sidorov, i. sola, j. ziebuhr, “重症急性呼吸器症候群関連ウイルス: 2019-ncovを分類し、それをsarscov-2と命名する。 0.73
5, no. 4, p. 536, 2020. 5位はノー。 4p.536、2020年。 0.75
[2] V. Monteil, H. Kwon, P. Prado, A. Hagelkr¨uys, R. A. Wimmer, M. Stahl, A. Leopoldi, E. Garreta, C. H. Del Pozo, F. Prosper et al., “Inhibition of sars-cov-2 infections in engineered human tissues using clinical-grade soluble human ace2,” Cell, 2020. [2] V. Monteil, H. Kwon, P. Prado, A. Hagelkr suys, R. A. Wimmer, M. Stahl, A. Leopoldi, E. Garreta, C. H. Del Pozo, F. Prosper, al., “臨床グレードの可溶性ヒト ace2 を用いた人工組織における sars-cov-2 感染の抑制” Cell, 2020”。 0.80
[3] W. H. Organization et al., “Coronavirus disease 2019 (COVID-19): situ- 3] W.H. Organization et al., “Coronavirus disease 2019 (COVID-19): situ-” 0.94
ation report, 72,” 2020. ation Report, 72”, 2020。 0.66
[4] D. Cucinotta and M. Vanelli, “WHO declares COVID-19 a pandemic.” 4] d. cucinotta, m. vanelli, “covid-19をパンデミックと宣言する人”. 0.66
Acta bio-medica: Atenei Parmensis, vol. Acta bio-medica: Atenei Parmensis, vol。 0.90
91, no. 1, pp. 91、ノー。 1、p。 0.69
157–160, 2020. 157–160, 2020. 0.84
[5] K. G. Andersen, A. Rambaut, W. I. Lipkin, E. C. Holmes, and R. F. Garry, “The proximal origin of sars-cov-2,” Nature medicine, vol. K. G. Andersen, A. Rambaut, W. I. Lipkin, E. C. Holmes, R. F. Garry, “The proximal origin of sars-cov-2”, Nature Medicine, Vol. 0.90
26, no. 4, pp. 26だ 4, pp。 0.58
450–452, 2020. 450–452, 2020. 0.84
9https://github.com/ sydney-machine-learn ing/ 9https://github.com/ sydney-machine-learn ing/ 0.29
LSTM-COVID-19-India LSTM-COVID-19-India 0.29
13 13 0.85
英語(論文から抽出)日本語訳スコア
[6] E. Dong, H. Du, and L. Gardner, “An interactive web-based dashboard to track COVID-19 in real time,” The Lancet infectious diseases, vol. 6] dong, h. du, l. gardner, “covid-19をリアルタイムで追跡するインタラクティブなwebベースのダッシュボード” lancet infectious disease, vol. 0.68
20, no. 5, pp. 20、いいえ。 5, pp。 0.77
533–534, 2020. 533–534, 2020. 0.84
[7] “COVID-19 7] 「COVID-19」 0.82
Dashboard, Center ダッシュボード。 中心 0.66
for Systems Hopkins ですから システム ホプキンス 0.61
Science University, and Johns url=https://coronavirus. jhu.edu/map.html.” 理科大学。 Johns url=https://coronavirus. jhu.edu/map.html&quo t; 0.51
Engineering (CSSE), [8] A. Atkeson, “What will be the economic impact of COVID-19 in the us? 工学 (CSSE) A. Atkeson, “米国におけるCOVID-19の経済的影響はどうなるのか? 0.74
rough estimates of disease scenarios,” National Bureau of Economic Research, Tech. と、国立経済研究局(National Bureau of Economic Research, Tech)は述べています。 0.54
Rep., 2020. [9] N. Fernandes, “Economic effects of coronavirus outbreak (COVID-19) on 2020年、退社。 N. Fernandes「新型コロナウイルス(COVID-19)の経済的影響」 0.72
the world economy,” Available at SSRN 3557504, 2020. 世界経済」は2020年のssrn 3557504で利用可能。 0.65
[10] M. Maliszewska, A. Mattoo, and D. Van Der Mensbrugghe, “The potential impact of COVID-19 on gdp and trade: A preliminary assessment,” 2020. 10] M. Maliszewska、A. Mattoo、およびD. Van Der Mensbruggheは、「gdpと貿易に対するCOVID-19の潜在的な影響:予備評価」、2020年。 0.78
[11] C. E. Hart, D. J. Hayes, K. L. Jacobs, L. L. Schulz, and J. M. Crespi, “The impact of COVID-19 on iowa’s corn, soybean, ethanol, pork, and beef sectors,” Center for Agricultural and Rural Development, Iowa State University. C. E. Hart, D. J. Hayes, K. L. Jacobs, L. L. Schulz, J. M. Crespi, “COVID-19がアイオワ州立大学農業農村開発センター(Center for Agricultural and Rural Development, Iowa State University)は、オオワのトウモロコシ、大豆、エタノール、豚肉、牛肉のセクターに与えている影響について説明している。 0.68
CARD Policy Brief, 2020. CARD Policy Brief、2020年。 0.86
[12] R. Siche, “What is the impact of COVID-19 disease on agriculture?” Sci- 12] r. siche, “covid-19 病の農業への影響は何か?” 0.74
entia Agropecuaria, vol. entia Agropecuaria, vol。 0.79
11, no. 1, pp. 11、いいえ。 1、p。 0.68
3–6, 2020. 3–6, 2020. 0.84
[13] A. Liem, C. Wang, Y. Wariyanti, C. A. Latkin, and B. J. [13] A. Liem, C. Wang, Y. Wariyanti, C. A. Latkin, B. J. 0.93
Hall, “The neglected health of international migrant workers in the COVID-19 epidemic,” The Lancet Psychiatry, vol. the lancet psychiatry, vol. “covid-19の流行による国際的な移民労働者の怠慢な健康。 0.71
7, no. 4, p. e20, 2020. 7、いいえ。 4 p. e20, 2020 0.77
[14] H. H. P. Kluge, Z. Jakab, J. Bartovic, V. D’Anna, and S. Severoni, “Refugee and migrant health in the COVID-19 response,” The Lancet, vol. 14] h. h. p. kluge, z. jakab, j. bartovic, v. d’anna, s. severoni, “covid-19対応における不安と移民の健康”。 0.68
395, no. 10232, pp. 395年。 10232, pp。 0.62
1237–1239, 2020. 1237–1239, 2020. 0.84
[15] T. Lancet, “India under COVID-19 lockdown,” Lancet (London, Eng- 15] T. Lancet, "India under COVID-19 lockdown", Lancet (London, Eng- 0.92
land), vol. 395, no. 土地)、vol。 395年。 0.50
10233, p. 1315, 2020. 10233, p. 1315, 2020。 0.92
[16] R. M. Arias Vel´asquez and J. V. Mej´ıa Lara, “Forecast and evaluation of COVID-19 spreading in USA with reduced-space gaussian process regression,” Chaos, Solitons & Fractals, vol. 16] r. m. arias vel ́asquez, j. v. mej ́ıa lara, "スペースガウス過程の回帰による米国でのcovid-19流行の予見と評価,カオス,ソリトン&フラクタル,vol. 0.65
136, p. 109924, 2020. 136, p. 109924, 2020。 0.90
[17] M. Yousaf, S. Zahir, M. Riaz, S. M. Hussain, and K. Shah, “Statistical analysis of forecasting COVID-19 for upcoming month in pakistan,” Chaos, Solitons & Fractals, vol. 17] M. Yousaf、S. Zahir、M. Riaz、S. M. Hussain、およびK. Shahは、「パキスタンでの来月の新型コロナウイルスの予測の統計分析」、Chaos、Solitons & Fractals、vol。 0.71
138, p. 109926, 2020. 138, p. 109926, 2020。 0.91
[18] A. I. Saba and A. H. Elsheikh, “Forecasting the prevalence of COVID19 outbreak in egypt using nonlinear autoregressive artificial neural networks,” Process Safety and Environmental Protection, vol. A.I. Saba and A. H. Elsheikh, “非線形自己回帰型ニューラルネットワークによるエジプトにおけるCOVID19流行の予測”, Process Safety and Environmental Protection, vol。 0.75
141, pp. 1 – 8, 2020. 141、p。 1 – 8, 2020. 0.78
[19] H. Ren, L. Zhao, A. Zhang, L. Song, Y. Liao, W. Lu, and C. Cui, “Early forecasting of the potential risk zones of COVID-19 in china’s megacities,” Science of The Total Environment, vol. [19]H. Ren, L. Zhao, A. Zhang, L. Song, Y. Liao, W. Lu, C. Cui, “中国のメガシティーにおける新型コロナウイルスの潜在的なリスクゾーンの早期予測”, Science of the Total Environment, Vol. 0.77
729, p. 138995, 2020. 729, p. 138995, 2020。 0.92
[20] R. G. [da Silva], M. H. D. M. Ribeiro, V. C. Mariani, and L. dos Santos Coelho, “Forecasting brazilian and american covid-19 cases based on artificial intelligence coupled with climatic exogenous variables,” Chaos, Solitons & Fractals, vol. R. G. [da Silva], M. H. D. M. Ribeiro, V. C. Mariani, and L. dos Santos Coelho, “Brazilian and American covid-19 Cases forecasting brazilian and American covid-19 cases based based by AI based with climatic exogenous variables”, Chaos, Solitons & Fractals, vol。 0.86
139, p. 110027, 2020. 139, p. 110027, 2020。 0.91
[21] T. Chakraborty and I. Ghosh, “Real-time forecasts and risk assessment of novel coronavirus COVID-19 cases: A data-driven analysis,” Chaos, Solitons & Fractals, vol. T. Chakraborty and I. Ghosh, “Real-time forecasts and risk Assessment of novel coronavirus COVID-19 cases: A data-driven analysis, Chaos, Solitons & Fractals, vol. 0.91
135, p. 109850, 2020. 135, p. 109850, 2020。 0.92
[22] M. Maleki, M. R. Mahmoudi, D. Wraith, and K.-H. Pho, “Time series modelling to forecast the confirmed and recovered cases of COVID-19,” Travel Medicine and Infectious Disease, p. 101742, 2020. M. Maleki, M. R. Mahmoudi, D. Wraith, K.-H. Pho, “Time series modelsling to forecast the confirmed and recovery cases of COVID-19”, Travel Medicine and Infectious Disease, pp. 101742, 2020。 0.91
[23] A. S. Fauci, H. C. Lane, and R. R. Redfield, “COVID-19 - navigating the 23] A.S. Fauci, H.C. Lane, R.R. Redfield, “COVID-19 - 移動する。 0.78
uncharted,” 2020. [24] F. Ye, S. Xu, Z. Rong, R. Xu, X. Liu, P. Deng, H. Liu, and X. Xu, “Delivery of infection from asymptomatic carriers of COVID-19 in a familial cluster,” International Journal of Infectious Diseases, 2020. と2020年。 24] F. Ye、S. Xu、Z. Rong、R. Xu、X. Liu、P. Deng、H. Liu、X. Xuは、「家族で新型コロナウイルスの無症候性キャリアからの感染の配達」、国際感染症ジャーナル、2020年。 0.52
[25] Y. Bai, L. Yao, T. Wei, F. Tian, D.-Y. 25] Y. Bai、L. Yao、T. Wei、F. Tian、D.Y。 0.78
Jin, L. Chen, and M. Wang, “Presumed asymptomatic carrier transmission of COVID-19,” Jama, vol. Jin、L. Chen、M. Wangは「新型コロナウイルス(COVID-19)の無症候性キャリア伝達を想定した」と述べた。 0.47
323, no. 14, pp. 323、ノー。 14, pp。 0.79
1406–1407, 2020. 1406–1407, 2020. 0.84
[26] V. Chin, N. I. Samia, R. Marchant, O. Rosen, J. Ioannidis, M. A. Tanner, and S. Cripps, “A case study in model failure? [26] V. Chin, N. I. Samia, R. Marchant, O. Rosen, J. Ioannidis, M. A. Tanner, S. Cripps, “モデル障害のケーススタディ? 0.93
COVID-19 daily deaths and icu bed utilisation predictions in new york state,” arXiv preprint arXiv:2006.15997, 2020. arXiv preprint arXiv:2006.15997, 2020. “新型コロナウイルスの毎日死亡とニューヨークのicuベッド利用予測。 0.77
[27] R. M. Anderson, H. Heesterbeek, D. Klinkenberg, 27] R. M. Anderson, H. Heesterbeek, D. Klinkenberg, 0.94
and T. D. Hollingsworth, “How will country-based mitigation measures influence the course of the COVID-19 epidemic?” The Lancet, vol. とT.D.ホリングスワース、「国ベースの緩和措置は、新型コロナウイルスの流行の経過にどのように影響しますか? 0.42
395, no. 10228, pp. 395年。 10228, pp。 0.62
931–934, 2020. 931–934, 2020. 0.84
[28] J. L. Elman and D. Zipser, “Learning the hidden structure of speech,” The Journal of the Acoustical Society of America, vol. J. L. Elman and D. Zipser, “Learning the hidden structure of speech, The Journal of the Acoustical Society of America, vol.[28] J. L. Elman and D. Zipser。 0.78
83, no. 4, pp. 83、ノー。 4, pp。 0.76
1615– 1626, 1988. 1615– 1626, 1988. 0.99
[Online]. Available: http://link.aip.org/ link/?JAS/83/1615/1 [29] P. J. Werbos, “Backpropagation through time: what it does and how to do [オンライン] 利用可能: http://link.aip.org/ link/?JAS/83/1615/1 [29] P. J. Werbos, “Backpropagation through time: What and How to do” 0.68
it,” Proceedings of the IEEE, vol. IEEEのProceedings of the IEEE, vol.”[原文へ]。 0.76
78, no. 10, pp. 78だ 10, pp。 0.60
1550–1560, 1990. 1550–1560, 1990. 0.84
[30] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural [30]S. HochreiterとJ. Schmidhuber, “Long Short-Term memory” Neural 0.95
computation, vol. 9, no. 計算、vol. 9、いいえ。 0.68
8, pp. 1735–1780, 1997. 8, pp。 1735–1780, 1997. 0.82
[31] J. Schmidhuber, “Deep learning in neural networks: An overview,” Neu- 13] J. Schmidhuber, “ニューラルネットワークにおける深層学習:概要” Neu- 0.78
ral networks, vol. ラル・ネットワーク Vol. 0.60
61, pp. 85–117, 2015. 61, pp。 85–117, 2015. 0.82
[32] J. T. Connor, R. D. Martin, and L. E. Atlas, “Recurrent neural networks and robust time series prediction,” IEEE transactions on neural networks, vol. J. T. Connor, R. D. Martin, L. E. Atlas, “Recurrent Neural Network and robust time series prediction”, IEEE transaction on Neural Network, Vol。 0.77
5, no. 2, pp. 5位はノー。 2、p。 0.68
240–254, 1994. 240–254, 1994. 0.84
[33] C. W. Omlin, K. K. Thornber, and C. L. Giles, “Fuzzy finite state automata can be deterministically encoded into recurrent neural networks,” IEEE Trans. 33] C. W. Omlin, K. K. Thornber, C. L. Giles, “Fuzzy finite state automata は決定論的にリカレントニューラルネットワークにエンコードすることができる” と IEEE Trans は述べている。 0.78
Fuzzy Syst., vol. Fuzzy Syst., vol。 0.80
6, pp. 76–89, 1998. 6, pp。 76–89, 1998. 0.82
[34] C. W. Omlin and C. L. Giles, “Training second-order recurrent neural networks using hints,” in Proceedings of the Ninth International Conference on Machine Learning. C. W. Omlin氏とC. L. Giles氏は,第9回機械学習国際会議の講演で,“ヒントを用いた2次リカレントニューラルネットワークのトレーニング”を行った。 0.71
Morgan Kaufmann, 1992, pp. Morgan Kaufmann, 1992, pp。 0.80
363–368. [35] C. L. Giles, C. Omlin, and K. K. Thornber, “Equivalence in knowledge representation: Automata, recurrent neural networks, and dynamical fuzzy systems,” Proceedings of the IEEE, vol. 363–368. 35] C.L. Giles, C. Omlin, K.K. Thornber, “Equivalence in Knowledge representation: Automata, Recurrent neural Network, and Dynamical Fuzzy System”, IEEEのProceedings, vol. 。 0.77
87, no. 9, pp. 87だ 9, pp。 0.61
1623–1640, 1999. 1623–1640, 1999. 0.84
[36] Y. Bengio, P. Simard, and P. Frasconi, “Learning long-term dependencies with gradient descent is difficult,” Neural Networks, IEEE Transactions on, vol. Y. Bengio, P. Simard, P. Frasconi, “Learning long-term dependency with gradient descent is difficult”, Neural Networks, IEEE Transactions on, vol.[36] Y. Bengio, P. Simard, P. Frasconi。
訳抜け防止モード: [36 ]Y. Bengio, P. Simard, P. Frasconi 「長期的-長期的依存を勾配勾配で学ぶことは難しい」 Neural Networks , IEEE Transactions on , vol。
0.84
5, no. 2, pp. 5位はノー。 2、p。 0.68
157–166, 1994. 157–166, 1994. 0.84
[37] Z. Yang, Z. Zeng, K. Wang, S.-S. Wong, W. Liang, M. Zanin, P. Liu, X. Cao, Z. Gao, Z. Mai et al., “Modified seir and ai prediction of the epidemics trend of COVID-19 in china under public health interventions,” Journal of Thoracic Disease, vol. [37]Z. Yang, Z. Zeng, K. Wang, S.S. Wong, W. Liang, M. Zanin, P. Liu, X. Cao, Z. Gao, Z. Mai et al., “公衆衛生介入による中国での新型コロナウイルスの流行の修正とai予測”、とJournal of Thoracic Disease, vol。 0.83
12, no. 3, p. 165, 2020. 12、いいえ。 3p.165、2020年。 0.76
[38] V. K. R. Chimmula and L. Zhang, “Time series forecasting of COVID-19 transmission in canada using lstm networks,” Chaos, Solitons & Fractals, vol. [38] v. k. r. chimmula, l. zhang, “lstmネットワークを用いたカナダにおける新型コロナウイルス感染の時系列予測”、chaos, solitons & fractals, vol.。
訳抜け防止モード: [38 ]V.K.R.ChimmulaとL.Zhang「カナダにおける新型コロナウイルス感染の時系列予測」 lstmネットワークを使って」 Chaos , Solitons & Fractals , vol 。
0.69
135, p. 109864, 2020. 135, p. 109864, 2020。 0.91
[39] S. Xingjian, Z. Chen, H. Wang, D.-Y. 39] S. Xingjian、Z. Chen、H. Wang、D.Y。 0.81
Yeung, W.-K. Wong, and W.-c. Yeung, W.K.Wong, W.C. 0.65
Woo, “Convolutional lstm network: A machine learning approach for precipitation nowcasting,” in Advances in neural information processing systems, 2015, pp. woo, “convolutional lstm network: a machine learning approach for precipitation nowcasting” in advances in neural information processing systems, 2015 pp. (英語) 0.81
802–810. [40] H.-z. 802–810. 40] H.-z。 0.78
Wang, G.-q. Wang, G.-q。 0.82
Li, G.-b. Wang, J.-c. Peng, H. Jiang, and Y.-t. Liu, “Deep learning based ensemble approach for probabilistic wind power forecasting,” Applied energy, vol. Li, G.-b。 Wang, J.-c. Peng, H. Jiang, and Y.-t. Liu, “Deep Learning based ensemble approach for probabilistic wind power forecasting”, Applied Energy, vol。 0.88
188, pp. 56–70, 2017. 188, pp。 56–70, 2017. 0.82
[41] G. A. Millett, A. T. Jones, D. Benkeser, S. Baral, L. Mercer, C. Beyrer, B. Honermann, E. Lankiewicz, L. Mena, J. S. Crowley et al., “Assessing differential impacts of COVID-19 on black communities,” Annals of Epidemiology, 2020. 41] G. A. Millett, A. T. Jones, D. Benkeser, S. Baral, L. Mercer, C. Beyrer, B. Honermann, E. Lankiewicz, L. Mena, J. S. Crowley et., “Assessing differential impacts of COVID-19 on black community”, Annals of Epidemiology, 2020。 0.95
[42] R. P. Rajkumar, “COVID-19 and mental health: A review of the existing [42] R.P. Rajkumar, “COVID-19 and mental health: A review of the existing” 0.91
literature,” Asian journal of psychiatry, p. 102066, 2020. アジア精神医学誌、p.102066、2020年。 0.59
[43] J. Gao, P. Zheng, Y. Jia, H. Chen, Y. Mao, S. Chen, Y. Wang, H. Fu, and J. Dai, “Mental health problems and social media exposure during COVID-19 outbreak,” Plos one, vol. 43] J. Gao, P. Zheng, Y. Jia, H. Chen, Y. Mao, S. Chen, Y. Wang, H. Fu, and J. Dai, “Mental Health problem and social media exposure during COVID-19 outbreak”, Plos one, vol.1. . 0.93
15, no. 4, p. e0231924, 2020. 15だ 4 p. e0231924, 2020 0.59
[44] C. Owusu-Fordjour, C. Koomson, and D. Hanson, “The impact of COVID-19 on learning-the perspective of the ghanaian student,” European Journal of Education Studies, 2020. c. owusu-fordjour, c. koomson, d. hanson, “covid-19の学習への影響-ガーナの学生の視点-” european journal of education studies, 2020。 0.70
[45] D. S. W. Ting, L. Carin, V. Dzau, and T. Y. Wong, “Digital technology [45]D.S.W.Ting,L.Carin,V .Dzau,T.Y.Wong, “デジタル技術” 0.71
and COVID-19,” Nature medicine, vol. とnature medicine、vol.1は述べている。 0.50
26, no. 4, pp. 26だ 4, pp。 0.58
459–461, 2020. 459–461, 2020. 0.84
[46] N. G. Biavardi, “Being an italian medical student during the COVID-19 outbreak,” International Journal of Medical Students, vol. International Journal of Medical Students, vol.[46] N. G. Biavardi, “Biavardi, Being a italian medical student during the COVID-19 outbreak”. 0.97
8, no. 1, pp. 8、いいえ。 1、p。 0.69
49–50, 2020. 49–50, 2020. 0.84
[47] H. Leite, I. R. Hodgkinson, and T. Gruber, “New development:‘healing at a distance’—telemedicine and COVID-19,” Public Money & Management, pp. 47] H. Leite, I. R. Hodgkinson, T. Gruber, “New Development: ‘healing at a distance’—telemedicine and COVID-19”, Public Money & Management, pp。 0.90
1–3, 2020. 1–3, 2020. 0.84
[48] C. Zhou, F. Su, T. Pei, A. Zhang, Y. [48] C. Zhou, F. Su, T. Pei, A. Zhang, Y。 0.91
Du, B. Luo, Z. Cao, J. Wang, W. Yuan, Y. Zhu et al., “COVID-19: Challenges to gis with big data,” Geography and Sustainability, 2020. Du, B. Luo, Z. Cao, J. Wang, W. Yuan, Y. Zhu et al., “COVID-19: Challenges to gis with Big Data”, Geography and Sustainability, 2020。 0.96
[49] M. A. Zambrano-Monserrate, M. A. Ruano, and L. Sanchez-Alcalde, “Indirect effects of COVID-19 on the environment,” Science of the Total Environment, p. 138813, 2020. M. A. Zambrano-Monserrate, M. A. Ruano, L. Sanchez-Alcalde, “indirect effects of COVID-19 on the environment”, Science of the Total Environment, pp. 138813, 2020。 0.92
[50] S. Muhammad, X. [50]S. Muhammad, X。 0.89
Long, and M. Salman, “COVID-19 pandemic and environmental pollution: a blessing in disguise?” Science of The Total Environment, p. 138820, 2020. 長きにわたり、m. salman氏は「covid-19パンデミックと環境汚染:偽装の祝福?
訳抜け防止モード: Long, and M. Salman, “COVID-19パンデミックと環境汚染 : 変装の祝福?” 総合環境科学 p. 138820, 2020
0.71
[51] A. Kerimray, N. Baimatova, O. P. Ibragimova, B. Bukenov, B. Kenessov, P. Plotitsyn, “Assessing air quality changes in large cities during COVID-19 lockdowns: The impacts of trafficfree urban conditions in almaty, kazakhstan,” Science of The Total Environment, vol. A. Kerimray, N. Baimatova, O. P. Ibragimova, B. Bukenov, B. Kenessov, P. Plotitsyn, “COVID-19ロックダウン中の大都市における大気質の変化を評価する:アルマトイ、カザフスタンにおける交通のない都市環境の影響。 0.85
730, p. 139179, 2020. 730, p. 139179, 2020。 0.92
[Online]. Available: http: //www.sciencedirect. com/science/article/ pii/S004896972032696 6 [オンライン] 利用可能: http: //www.sciencedirect. com/science/article/ pii/S004896972032696 6 0.49
and F. Karaca, とF. Karaca。 0.84
[52] M. A. Zambrano-Monserrate, M. A. Ruano, and L. Sanchez-Alcalde, 52] M. A. Zambrano-Monserrate, M. A. Ruano, L. Sanchez-Alcalde 0.78
14 14 0.85
英語(論文から抽出)日本語訳スコア
“Indirect effects of COVID-19 on the environment,” Science of The Total Environment, vol. 環境に対するcovid-19の間接的影響」と総環境科学(その2) 0.66
728, p. 138813, 2020. 728, p. 138813, 2020。 0.92
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/S0048969720 323305 [オンライン] http://www.sciencedi rect.com/science/art icle/pii/s0048962033 05 0.50
[53] Y. Huang, Y. Wu, and W. Zhang, “Comprehensive identification and isolation policies have effectively suppressed the spread of COVID-19,” Chaos, Solitons and Fractals, vol. Y. Huang, Y. Wu, W. Zhang, “包括的識別と隔離政策は、新型コロナウイルスの拡散を効果的に抑制した”、とChaos, Solitons, Fractals, vol。 0.64
139, p. 110041, 2020. 139, p. 110041, 2020。 0.91
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/ S0960077920304392 [オンライン] http://www.sciencedi rect.com/science/art icle/pii/s0960077920 4392 0.53
[54] S. I. Alzahrani, I. 54] S.I. Alzahrani, I。 0.84
A. Aljamaan, and E. A. Al-Fakih, “Forecasting the spread of the COVID-19 pandemic in saudi arabia using arima prediction model under current public health interventions,” Journal of Infection and Public Health, vol. A. AljamaanとE. A. Al-Fakihは、「現在の公衆衛生介入下でのアリマ予測モデルを使用して、サウジアラビアでのCOVID-19パンデミックの広がりを予測しています」とJournal of Infection and Public Healthは述べています。 0.62
13, no. 7, pp. 13、いいえ。 7, pp。 0.75
914 – 919, 2020. 914 – 919, 2020. 0.85
[55] S. Singh, K. S. Parmar, J. Kumar, and S. J. S. Makkhan, “Development of new hybrid model of discrete wavelet decomposition and autoregressive integrated moving average (ARIMA) models in application to one month forecast the casualties cases of COVID-19,” Chaos, Solitons & Fractals, vol. H55] S. Singh、K. S. Parmar、J. Kumar、およびS. J. S. Makkhanは、「離散ウェーブレット分解と自動回帰統合移動平均(ARIMA)モデルの新しいハイブリッドモデルの開発は、1ヶ月でCOVID-19の死亡例を予測する」とChaos、Solitons & Fractals、vol。 0.74
135, p. 109866, 2020. 135, p. 109866, 2020。 0.91
[56] A. Anand, Y. Lamba, and A. Roy, “Forecasting covid-19 transmission in 56] A. Anand, Y. Lamba, A. Roy, "Forecasting covid-19 transmission in in 0.95
india using deep learning models.” 深層学習モデルを用いたインド」。 0.78
[57] K. R. Bhimala, G. K. PATRA, R. Mopuri, and S. R. Mutheneni, “A deep learning approach for prediction of sars-cov-2 cases using the weather factors in india,” Authorea Preprints, 2020. He57] K. R. Bhimala, G. K. PATRA, R. Mopuri, S. R. Mutheneni, “A Deep Learning approach for predict of sars-cov-2 cases using the weather factors in India”, Authorea Preprints, 2020。 0.90
[58] R. P. Shetty et al., “Realtime forecasting of covid 19 cases in karnataka 58] R. P. Shetty et al., "カルナタカにおける19例の合併のリアルタイム予測 0.73
state using artificial neural network (ann),” 2020. state using artificial neural network (ann)”2020年。 0.81
[59] A. Tomar and N. Gupta, “Prediction for the spread of covid-19 in india and effectiveness of preventive measures,” Science of The Total Environment, vol. A. Tomar and N. Gupta, “Prediction for the spread of covid-19 in india and effect of preventive measures”. The Total Environment, Vol. 0.75
728, p. 138762, 2020. 728, p. 138762, 2020。 0.92
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/S0048969720 322798 [オンライン] http://www.sciencedi rect.com/science/art icle/pii/s0048962027 98 0.50
[60] G. Battineni, N. Chintalapudi, and F. Amenta, “Forecasting of covid-19 epidemic size in four high hitting nations (usa, brazil, india and russia) by fb-prophet machine learning model,” Applied Computing and Informatics, 2020. 60] G. Battineni、N. Chintalapudi、F. Amentaは、「fb-prophet機械学習モデルによる4つの高ヒット国(ウサ、ブラジル、インド、ロシア)における感染性-19の流行の大きさの予測」とApplied Computing and Informatics、2020年。 0.74
[61] P. Nadler, R. Arcucci, and Y. Guo, “A neural sir model for global forecasting,” in Machine Learning for Health. 61] P. Nadler, R. Arcucci, Y. Guo, "A neural Sir model for global forecasting" in Machine Learning for Health. (英語) 0.85
PMLR, 2020, pp. PMLR, 2020, pp。 0.81
254–266. [62] R. G. da Silva, M. H. D. M. Ribeiro, J. H. Klein¨ubing, V. C. M. Larcher, and L. dos Santos Coelho, “Forecasting the cumulative cases of covid-19 in brazil using machine learning approaches.” 254–266. 62] R. G. da Silva, M. H. D. M. Ribeiro, J. H. Klein subing, V. C. M. Larcher, L. dos Santos Coelho, “機械学習アプローチによるブラジルにおけるコビッド19の累積ケースの予測”。 0.75
[63] A. K. Gupta, V. Singh, P. Mathur, and C. M. Travieso-Gonzalez, “Prediction of covid-19 pandemic measuring criteria using support vector machine, prophet and linear regression models in indian scenario,” Journal of Interdisciplinary Mathematics, pp. [63] a.k. gupta, v. singh, p. mathur, c. m. travieso-gonzalez, "サポートベクターマシン, 予言および線形回帰モデルを用いたインドシナリオにおけるcovid-19パンデミック測定基準の予測", journal of interdisciplinary mathematics, pp。 0.84
1–20, 2020. 1–20, 2020. 0.84
[64] S. Bodapati, H. Bandarupally, and M. Trupthi, “Covid-19 time series forecasting of daily cases, deaths caused and recovered cases using long short term memory networks,” in 2020 IEEE 5th International Conference on Computing Communication and Automation (ICCCA). 2020 IEEE 5th International Conference on Computing Communication and Automation (ICCCA) において,[64] S. Bodapati, H. Bandarupally, M. Trupthi, “Covid-19 time series forecasting of daily case, deaths caused and recovery case using long short term memory network” と題された。 0.90
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
525–530. [65] V. Chaurasia and S. Pal, “Application of machine learning time series analysis for prediction covid-19 pandemic,” Research on Biomedical Engineering, pp. 525–530. [65] v. chaurasia, s. pal, “application of machine learning time series analysis for prediction covid-19 pandemic”, research on biomedical engineering, pp。 0.78
1–13, 2020. 1–13, 2020. 0.84
[66] O. Istaiteh, T. Owais, N. Al-Madi, and S. Abu-Soud, “Machine learning approaches for covid-19 forecasting,” in 2020 International Conference on Intelligent Data Science Technologies and Applications (IDSTA). [66] o. istaiteh, t. owais, n. al-madi, s. abu-soud, “machine learning approach for covid-19 forecasting” in 2020 international conference on intelligent data science technologies and applications (idsta) 0.87
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
50–57. [67] A. Mosavi, “Covid-19 pandemic prediction for hungary; a hybrid ma- 50–57. 67] A. Mosavi, "Covid-19 pandemic predict for hungary; a hybrid ma- 0.84
chine learning approach,” 2020. chine learning approach”. 2020年4月1日閲覧。 0.55
[68] F. Takens, “Detecting strange attractors in turbulence,” in Dynamical Systems and Turbulence, Warwick 1980, ser. [68] F. Takens, “Detecting strange attractors in turbulence” in Dynamical Systems and Turbulence, Warwick 1980, ser. (英語) 0.89
Lecture Notes in Mathematics, 1981, pp. 数学の講義ノート, 1981, pp。 0.67
366–381. [69] C. Frazier and K. Kockelman, “Chaos theory and transportation systems: Instructive example,” Transportation Research Record: Journal of the Transportation Research Board, vol. 366–381. C. FrazierとK. Kockelmanは、"Chaos theory and transport system: Instructive example", Transportation Research Record: Journal of the Transportation Research Board, vol.2"と書いている。 0.77
20, pp. 9–17, 2004. 20, pp。 9–17, 2004. 0.82
[70] J. L. Elman, “Finding structure in time,” Cognitive Science, vol. 70] J. L. Elman, “Finding structure in time”, Cognitive Science, vol。 0.81
14, pp. 179–211, 1990. 14, pp。 179–211, 1990. 0.83
[71] C. W. Omlin and C. L. Giles, “Constructing deterministic finite-state automata in recurrent neural networks,” J. ACM, vol. 71] C. W. Omlin and C. L. Giles, "Constructing Deterministic finite-state automata in recurrent neural Network", J. ACM, vol。 0.92
43, no. 6, pp. 43、いいえ。 6, pp。 0.77
937–972, 1996. 937–972, 1996. 0.84
[72] R. Chandra, “Competition and collaboration in cooperative coevolution of elman recurrent neural networks for time-series prediction,” IEEE Trans. IEEE Trans.[72] R. Chandra, “時系列予測のためのエルマン反復ニューラルネットワークの協調的共進化における競合と協力”。 0.80
Neural Netw. Learning Syst., vol. ニューラルネット。 Learning Syst., vol。 0.64
26, no. 12, pp. 3123–3136, 2015. 26だ 12、p。 3123–3136, 2015. 0.63
[Online]. Available: http://dx.doi.org/10 .1109/TNNLS.2015.240 4823 [オンライン] http://dx.doi.org/10 .1109/TNNLS.2015.240 4823 0.48
[73] S. Hochreiter, “The vanishing gradient problem during learning recurrent 73]S. Hochreiter「学習繰り返しにおける消滅勾配問題」 0.76
neural nets and problem solutions,” Int. ニューラルネットと問題解決」とInt。 0.56
J. Uncertain. Fuzziness Knowl.Based Syst., vol. J。 不明。 Fuzziness Knowl.Based Syst., vol。 0.74
6, no. 2, pp. 6、いいえ。 2、p。 0.68
107–116, 1998. 107–116, 1998. 0.84
[74] M. Schuster and K. Paliwal, “Bidirectional recurrent neural networks,” Signal Processing, IEEE Transactions on, vol. 74] M. Schuster と K. Paliwal, “Bidirectional recurrent neural Network”, Signal Processing, IEEE Transactions on, vol。 0.79
45, pp. 2673 – 2681, 12 1997. 45, pp。 2673 – 2681, 12 1997. 0.83
[75] A. Graves and J. Schmidhuber, “Framewise phoneme classification with bidirectional lstm and other neural network architectures,” Neural networks : the official journal of the International Neural Network Society, vol. [75] A. GravesとJ. Schmidhuberは、「双方向lstmや他のニューラルネットワークアーキテクチャによるフレームワイズ音素分類」、ニューラルネットワーク:国際ニューラルネットワーク協会の公式ジャーナル、vol。 0.80
18, pp. 602–10, 07 2005. 18, pp。 602–10, 07 2005. 0.85
[76] Y. Fan, Y. Qian, F.-L. Xie, and F. K. Soong, “Tts synthesis with bidirec- [76] Y。 Fan, Y. Qian, F.-L. Xie, F. K. Soong, "Tts synthesis with bidirec-" 0.81
tional lstm based recurrent neural networks,” in INTERSPEECH, 2014. tional lstm based recurrent neural networks” in interspeech, 2014” (英語) 0.85
[77] A. Graves, N. Jaitly, and A.-r. Mohamed, “Hybrid speech recognition with deep bidirectional lstm,” in 2013 IEEE workshop on automatic speech recognition and understanding. 77] A. Graves, N. Jaitly, A.-r. Mohamed, “Hybrid Speech Recognition with Deep Bidirectional lstm” は2013年のIEEEワークショップで自動音声認識と理解について語った。 0.86
IEEE, 2013, pp. IEEE、2013 pp。 0.56
273–278. [78] I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to sequence learning with neural networks,” in Advances in Neural Information Processing Systems 27, Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence, and K. Q. Weinberger, Eds. 273–278. [78] I. Sutskever, O. Vinyals, and Q. V. Le, "Sequence to sequence learning with neural Network" in Advances in Neural Information Processing Systems 27, Z. Ghahramani, M. Welling, C. Cortes, N.D. Lawrence, and K. Q. Weinberger, Eds。 0.84
Curran Associates, Inc., 2014, pp. Curran Associates, Inc., 2014, pp。 0.80
3104–3112. 3104–3112. 0.71
[Online]. Available: http://papers.nips.c c/paper/ 5346-sequence-to-seq uence-learning-with- neural-networks.pdf [オンライン] 利用可能: http://papers.nips.c c/paper/ 5346-sequence-to-seq uence-learning-with- neural-networks.pdf 0.46
[79] “Unique identification authority of [79]「普遍的識別権限」 0.66
[Online; accessed 16-July-2020]. [オンライン、2020年7月16日アクセス] 0.54
[Online]. Available: https://uidai.gov.in /images/ state-wise-aadhaar-s aturation.pdf [オンライン] https://uidai.gov.in /images/ state-wise-aadhaar-s aturation.pdf 0.50
India,” May 2020, インド、2020年5月。 0.74
[80] N. G. Siva Athreya and A. Mishra, “Covid-19 india-timeline an understanding across states and union territories.” 2020, ongoing Study at http://www.isibang.a c.in/∼athreya/incovid19. N. G. Siva Athreya and A. Mishra, “Covid-19 india-timeline an understanding across state and union territory.”, ongoing Study at http://www.isibang.a c.in/sathreya/incovi d19. 2020 0.74
[81] “Covid-19 India data,” 2020, government Website at https://www.mohfw. [81] “Covid-19 India data”, 2020, Government Website at https://www.mohfw.co m 0.86
gov.in/. [82] R. Debnath and R. Bardhan, “India nudges to contain covid-19 pandemic: A reactive public policy analysis using machine-learning based topic modelling,” PLOS ONE, vol. gov.in/ 82] R. Debnath と R. Bardhan は,“インドは19年のパンデミックを伴っている。マシンラーニングに基づくトピックモデリングを用いたリアクティブ公共政策分析” と PLOS ONE, vol.1 は述べている。 0.68
15, no. 9, pp. 15だ 9, pp。 0.60
1–25, 09 2020. 1–25, 09 2020. 0.88
[Online]. Available: https://doi.org/10.1 371/journal.pone.023 8972 [オンライン] https://doi.org/10.1 371/journal.pone.023 8972 0.50
[83] B. Rai, A. Shukla, and L. K. Dwivedi, “Dynamics of covid-19 in india: A review of different phases of lockdown,” Population Medicine, vol. 83] B. Rai, A. Shukla, L. K. Dwivedi, "Dynamics of covid-19 india: A review of different phases of lockdown", Population Medicine, vol。 0.82
2, no. July, 2020. 2、いいえ。 2020年7月。 0.78
[Online]. Available: http://dx.doi.org/10 .18332/popmed/ 125064 [オンライン] 利用可能: http://dx.doi.org/10 .18332/popmed/ 125064 0.52
[84] S. Rab, M. Javaid, A. Haleem, and R. Vaishya, “Face masks are new normal after covid-19 pandemic,” Diabetes & Metabolic Syndrome: Clinical Research & Reviews, vol. 84] S. Rab, M. Javaid, A. Haleem, R. Vaishya, “Face masks is new normal after covid-19 pandemic”, Diabetes & Metabolic syndrome: Clinical Research & Reviews, vol. pic.twitter.com。 0.89
14, no. 6, pp. 14だ 6, pp。 0.58
1617–1619, 2020. 1617–1619, 2020. 0.84
[85] Wikipedia contributors, “List of cities proper by population density, Wikipedia,” 2020, [Online; accessed 16-July-2020]. 85]ウィキペディアのコントリビュータ, “人口密度で適切な都市の一覧, Wikipedia, 2020, [Online; accessed 16-7-2020]. 0.85
[Online]. Available: https://en.wikipedia .org/wiki/List of cities proper by population density [オンライン] 公開: https://en.wikipedia .org/wiki/list of cities proper by population density 0.64
[86] S. M. Dev, R. Sengupta et al., [86]S.M. Dev, R. Sengupta et al. 0.90
indian economy,” Mumbai Working Papers, April, 2020. インド経済」ムンバイワーキングペーパー、2020年4月。 0.52
//ideas.repec.org/p/ ind/igiwpp/2020-013. html //ideas.repec.org/p/ ind/igiwpp/2020-013. html 0.12
impact on the Indira Gandhi Institute of Development Research, https: Indira Gandhi Institute of Development Research、httpsへの影響。 0.70
[Online]. Available: [オンライン] 利用可能。 0.58
“COVID-19: 「COVID-19」 0.66
[87] “The World Economic Outlook April 2020: The Great Lockdown, International Monetary Fund,” April 2020, [Online; accessed 16-July2020]. 87] “The World Economic Outlook April 2020: The Great Lockdown, International Monetary Fund”、2020年4月、[Online; Access 16-7月2020]。 0.88
[Online]. Available: https://www.imf.org/ en/Publications/WEO/ Issues/2020/04/14/we o-april-2020 [オンライン] https://www.imf.org/ en/publications/WEO/ Issues/2020/04/14/we o-april-2020 0.46
[88] E. Imber-Black, “Rituals in the time of covid-19: Imagination, responsiveness, and the human spirit,” Family process, vol. [88]E. Imber-Black, “Reituals in the time of covid-19: Imagination, responsiveness, and the human spirit”, Family process, vol。 0.89
59, no. 3, pp. 912– 921, 2020. 59歳。 3、p。 912– 921, 2020. 0.70
[89] J. L. Lebow, “Family in the age of covid-19,” Family process, [Online]. [89] j. l. lebow, “family in the age of covid-19” family process, [オンライン] 0.84
Available: June 2020. 利用可能。 2020年6月。 0.57
vol. 59, no. 2, p. 309—312, https://europepmc.or g/articles/PMC727306 8 Vol. 59歳。 2. p. 309—312, https://europepmc.or g/articles/pmc727306 8 0.54
[90] A. Dandekar and R. Ghai, “Migration and reverse migration in the age of covid-19,” Economic and Political Weekly, vol. A. Dandekar and R. Ghai, “Migration and reverse migration in the age of covid-19”. Economic and Political Weekly. 0.77
55, no. 19, pp. 55、いいえ。 19, pp。 0.78
28–31, 2020. 28–31, 2020. 0.84
[91] A. Kumar, K. R. Nayar, and S. F. Koya, “Covid-19: Challenges and its consequences for rural health care in india,” Public Health in Practice, p. 100009, 2020. 91] A. Kumar, K.R. Nayar, S.F. Koya, "Covid-19: Challenges and its results for rural health care in India", Public Health in Practice, p. 100009, 2020。 0.90
[92] R. M. Neal, “Bayesian learning via stochastic dynamics,” in Advances in Neural Information Processing Systems 5. R. M. Neal, "Bayesian learning via stochastic dynamics" in Advances in Neural Information Processing Systems 5 0.67
Morgan-Kaufmann, 1993, pp. Morgan-Kaufmann, 1993, pp。 0.86
475–482. [93] J. Pall, R. Chandra, D. Azam, T. Salles, J. M. Webster, R. Scalzo, and S. Cripps, “Bayesreef: A bayesian inference framework for modelling reef growth in response to environmental change and biological dynamics,” Environmental Modelling & Software, p. 104610, 2020. 475–482. 93] J. Pall, R. Chandra, D. Azam, T. Salles, J. M. Webster, R. Scalzo, and S. Cripps, “Bayesreef: a Bayesian inference framework for modelling reef growth in response to Environmental change and bio dynamics”, 環境モデリング & ソフトウェア, p. 104610, 2020。 0.81
[94] R. Chandra, K. Jain, R. V. Deo, and S. Cripps, “Langevin-gradient parallel [94]R. Chandra, K. Jain, R. V. Deo, S. Cripps, “Langevin-gradient parallel” 0.85
15 15 0.85
英語(論文から抽出)日本語訳スコア
tempering for bayesian neural learning,” Neurocomputing, 2019. ベイジアン・ニューラル・ラーニング」とNeuroCompputing, 2019。 0.43
[95] R. Chandra and A. Kapoor, “Bayesian neural multi-source transfer learning,” Neurocomputing, vol. 95] R. Chandra, A. Kapoor, “Bayesian Neural Multi-source Transfer Learning”, Neurocomputing, vol。 0.79
378, pp. 54 – 64, 2020. 378, pp。 54 – 64, 2020. 0.82
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/S0925231219 314213 [オンライン] http://www.sciencedi rect.com/science/art icle/pii/s0925231219 314213 0.50
16 16 0.85
                                 ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。