論文の概要: Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods
- arxiv url: http://arxiv.org/abs/2002.04945v2
- Date: Thu, 20 Feb 2020 06:08:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:40:16.372181
- Title: Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods
- Title（参考訳）: 包括的手法による2019-nCoV伝送終了予測
- Authors: Tianyu Zeng, Yunong Zhang, Zhenyu Li, Xiao Liu, and Binbin Qiu
- Abstract要約: 本研究では,多モデル常微分方程式集合ニューラルネットワーク(MMODEs-NN)と,中国本土における国間伝送予測のためのモデルフリー手法を提案する。
数値実験と現実に拠れば、一部の地域では、この病気を治めるための特別な政策が成功している。
提案された数学的および人工知能の手法は、2019-nCoV終了の一貫性と合理的な予測を与えることができる。
- 参考スコア（独自算出の注目度）: 11.496215213608988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since the SARS outbreak in 2003, a lot of predictive epidemiological models
have been proposed. At the end of 2019, a novel coronavirus, termed as
2019-nCoV, has broken out and is propagating in China and the world. Here we
propose a multi-model ordinary differential equation set neural network
(MMODEs-NN) and model-free methods to predict the interprovincial transmissions
in mainland China, especially those from Hubei Province. Compared with the
previously proposed epidemiological models, the proposed network can simulate
the transportations with the ODEs activation method, while the model-free
methods based on the sigmoid function, Gaussian function, and Poisson
distribution are linear and fast to generate reasonable predictions. According
to the numerical experiments and the realities, the special policies for
controlling the disease are successful in some provinces, and the transmission
of the epidemic, whose outbreak time is close to the beginning of China Spring
Festival travel rush, is more likely to decelerate before February 18 and to
end before April 2020. The proposed mathematical and artificial intelligence
methods can give consistent and reasonable predictions of the 2019-nCoV ending.
We anticipate our work to be a starting point for comprehensive prediction
researches of the 2019-nCoV.
- Abstract（参考訳）: 2003年のSARSの流行以降、多くの予測疫学モデルが提案されている。
2019年末、2019-nCoV(2019-nCoV)と呼ばれる新型コロナウイルスが流行し、中国と世界に伝播している。
本稿では,中国本土,特に湖北省において,多モデル常微分方程式集合ニューラルネットワーク(MMODEs-NN)とモデルフリーで国間伝送を予測する手法を提案する。
前述した疫学モデルと比較すると,提案手法はオデウス活性化法を用いて輸送をシミュレートできるが,シグモイド関数,ガウス関数,ポアソン分布に基づくモデルフリー手法は線形かつ高速であり,合理的な予測を生成することができる。
数値実験や現実によると、一部の地域では感染対策の特別策が成功しており、中国春節旅行ラッシュの開始に近づいた流行の流行は2月18日までに減速し、2020年4月までに終わる可能性が高い。
提案された数学的および人工知能の手法は、2019-nCoV終了の一貫性と合理的な予測を与えることができる。
2019-ncovの包括的予測研究の出発点になることを期待しています。
関連論文リスト
- A spatiotemporal machine learning approach to forecasting COVID-19
incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。
われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。
4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文 参考訳（メタデータ） (2021-09-24T17:40:08Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳（メタデータ） (2020-07-22T13:18:00Z) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳（メタデータ） (2020-07-14T07:04:57Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳（メタデータ） (2020-06-16T17:20:54Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳（メタデータ） (2020-05-24T10:43:55Z) - A machine learning methodology for real-time forecasting of the
2019-2020 COVID-19 outbreak using Internet searches, news alerts, and
estimates from mechanistic models [53.900779250589814]
提案手法は,2日前の安定かつ正確な予測を行うことができる。
我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
論文 参考訳（メタデータ） (2020-04-08T14:39:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。