論文の概要: 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

• arxiv url: http://arxiv.org/abs/2004.04019v1
• Date: Wed, 8 Apr 2020 14:39:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 08:27:49.468545
• Title: 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
• Title（参考訳）: インターネット検索、ニュースアラート、メカニックモデルによる2019-2020年のcovid-19流行のリアルタイム予測のための機械学習手法
• Authors: Dianbo Liu, Leonardo Clemente, Canelle Poirier, Xiyu Ding, Matteo Chinazzi, Jessica T Davis, Alessandro Vespignani, Mauricio Santillana
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.900779250589814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a timely and novel methodology that combines disease estimates from mechanistic models with digital traces, via interpretable machine-learning methodologies, to reliably forecast COVID-19 activity in Chinese provinces in real-time. Specifically, our method is able to produce stable and accurate forecasts 2 days ahead of current time, and uses as inputs (a) official health reports from Chinese Center Disease for Control and Prevention (China CDC), (b) COVID-19-related internet search activity from Baidu, (c) news media activity reported by Media Cloud, and (d) daily forecasts of COVID-19 activity from GLEAM, an agent-based mechanistic model. Our machine-learning methodology uses a clustering technique that enables the exploitation of geo-spatial synchronicities of COVID-19 activity across Chinese provinces, and a data augmentation technique to deal with the small number of historical disease activity observations, characteristic of emerging outbreaks. Our model's predictive power outperforms a collection of baseline models in 27 out of the 32 Chinese provinces, and could be easily extended to other geographies currently affected by the COVID-19 outbreak to help decision makers.
• Abstract（参考訳）: 本稿では,機械モデルから得られた疾患推定を,解釈可能な機械学習手法を介してデジタルトレースと組み合わせて,中国における新型コロナウイルスの活動をリアルタイムで確実に予測する,タイムリーで斬新な手法を提案する。 具体的には,現在の時刻より2日早く安定かつ正確な予測を行い,入力として利用する。 (a)中国疾病予防管理センター(中国CDC)公式健康報告 b)バイドゥからのcovid-19関連インターネット検索活動 (c)media cloudが報告したニュースメディア活動、及び (d) エージェント・ベース・メカニスティック・モデルであるGLEAMによる毎日のCOVID-19活動の予測。 本手法では,中国各地の地理的空間的活動の同時利用を可能にするクラスタリング手法と,発生源の特徴である少数の歴史的疾患活動観測に対処するためのデータ拡張手法を用いる。 われわれのモデルの予測力は、中国32州のうち27州でベースラインモデルの集合よりも優れており、意思決定者を助けるために現在新型コロナウイルスの影響を受けている他の地域にも容易に拡張できる。

関連論文リスト

• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• COVID-19 Hospitalizations Forecasts Using Internet Search Data [4.748730334762718]
  先程提案したインフルエンザ追跡モデルであるARGOを拡張し,今後2週間の全国および州レベルの新規入院を予測した。 本手法は,新型コロナウイルスの予測ハブから収集した最良の代替モデルに対して,平均15%のエラー削減を実現する。
  論文  参考訳（メタデータ） (2022-02-03T21:56:20Z)
• 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)
• Medical-VLBERT: Medical Visual Language BERT for COVID-19 CT Report Generation With Alternate Learning [70.71564065885542]
  本稿では,医療用ビジュアル言語BERT(Medical-VLBERT)モデルを用いて,新型コロナウイルススキャンの異常を同定する。 このモデルは、知識事前学習と伝達の2つの手順で、代替的な学習戦略を採用する。 COVID-19患者に対する医療報告の自動作成のために,中国語で368例,胸部CTで1104例の検診を行った。
  論文  参考訳（メタデータ） (2021-08-11T07:12:57Z)
• Rapid COVID-19 Risk Screening by Eye-region Manifestations [64.6260390977642]
  新型コロナウイルス(COVID-19)の患者には、臨床的な証拠として、より多くの眼症状が報告されている。 そこで本研究では,共通CCDおよびCMOSカメラで撮像された眼領域画像の高速スクリーニング手法を提案する。 我々の新型コロナウイルスの急激な事前スクリーニングモデルは、コストが低く、完全自己パフォーマンスで、非侵襲的で、重要なリアルタイム性を持つため、継続的な健康監視を可能にします。
  論文  参考訳（メタデータ） (2021-06-12T01:56:10Z)
• COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
  本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。 本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
  論文  参考訳（メタデータ） (2021-05-03T04:00:59Z)
• 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)
• Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting [10.052302234274256]
  COVID-19予測のためのディープラーニングモデルの設計と分析を行う。 新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。 時間的予測のためのクラスタリングに基づくトレーニングを提案する。
  論文  参考訳（メタデータ） (2020-10-27T17:52:02Z)
• 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)
• Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods [11.496215213608988]
  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。
  論文  参考訳（メタデータ） (2020-02-12T12:26:08Z)

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。