論文の概要: Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic

• arxiv url: http://arxiv.org/abs/2004.11372v3
• Date: Mon, 4 May 2020 19:13:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:30:46.085477
• Title: Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic
• Title（参考訳）: 新型コロナウイルス(covid-19)パンデミックから学ぶための予測と予測
• Authors: Ajitesh Srivastava, Viktor K. Prasanna
• Abstract要約: 疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。 モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。 疫病の初期には、旅行データを用いて予測が増加することが示されている。
• 参考スコア（独自算出の注目度）: 10.796851110372593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasts of COVID-19 is central to resource management and building strategies to deal with the epidemic. We propose a heterogeneous infection rate model with human mobility for epidemic modeling, a preliminary version of which we have successfully used during DARPA Grand Challenge 2014. By linearizing the model and using weighted least squares, our model is able to quickly adapt to changing trends and provide extremely accurate predictions of confirmed cases at the level of countries and states of the United States. We show that during the earlier part of the epidemic, using travel data increases the predictions. Training the model to forecast also enables learning characteristics of the epidemic. In particular, we show that changes in model parameters over time can help us quantify how well a state or a country has responded to the epidemic. The variations in parameters also allow us to forecast different scenarios such as what would happen if we were to disregard social distancing suggestions.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)の正確な予測は、感染拡大に対応するための資源管理と構築戦略の中心である。 本研究は,darpa grand challenge 2014で成功した流行モデルとして,ヒトモビリティを備えた不均一感染率モデルを提案する。 モデルを線形化し,重み付き最小二乗法を用いることで,変化傾向に迅速に適応し,米国の国や州レベルで確認された事例を極めて正確に予測することができる。 疫病の初期には、旅行データを用いて予測が増加することが示されている。 モデルを予測するためのトレーニングは、流行の学習特性も可能にします。 特に、時間とともにモデルパラメータの変化が、国家や国が流行にどれだけうまく反応しているかを定量化するのに役立ちます。 パラメータのバリエーションによって、ソーシャルディスタンシングの提案を無視した場合にはどうなるかなど、さまざまなシナリオを予測できます。

関連論文リスト

• A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
  疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。 人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。 BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
  論文  参考訳（メタデータ） (2024-04-25T17:52:19Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• SIMLR: Machine Learning inside the SIR model for COVID-19 Forecasting [12.443598783888786]
  SIMLRモデルは、機械学習(ML)を疫学的SIRモデルに組み込む。 各地域について、SIMLRは政府レベルで実施された政策の変更を追跡する。 1週間から4週間の新規感染者数を予測するためのSIRモデルの時間変化パラメータを推定する。
  論文  参考訳（メタデータ） (2021-06-03T04:22:43Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• 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)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
  人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。 我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2020-09-10T13:23:52Z)

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。