論文の概要: Impact studies of nationwide measures COVID-19 anti-pandemic:
compartmental model and machine learning
- arxiv url: http://arxiv.org/abs/2005.08395v2
- Date: Sun, 9 Aug 2020 21:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 06:02:10.377651
- Title: Impact studies of nationwide measures COVID-19 anti-pandemic:
compartmental model and machine learning
- Title(参考訳): 新型コロナウイルス(covid-19)抗パンデミック対策のインパクトスタディ--区画モデルと機械学習
- Authors: Mouhamadou A.M.T. Balde, Coura Balde, Babacar M. Ndiaye
- Abstract要約: 全国的な新型コロナウイルス対策の効果について検討する。
パンデミックの進展を予測するために、2つの機械学習ツールを使用します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we deal with the study of the impact of nationwide measures
COVID-19 anti-pandemic. We drive two processes to analyze COVID-19 data
considering measures. We associate level of nationwide measure with value of
parameters related to the contact rate of the model. Then a parametric solve,
with respect to those parameters of measures, shows different possibilities of
the evolution of the pandemic. Two machine learning tools are used to forecast
the evolution of the pandemic. Finally, we show comparison between
deterministic and two machine learning tools.
- Abstract(参考訳): 本稿では,全国的な新型コロナウイルス対策のパンデミック対策の効果について検討する。
対策を考えると、covid-19のデータを分析するプロセスが2つある。
我々は,全国的な尺度のレベルを,モデルの接触率に関連するパラメータの値と関連付ける。
次に、パラメトリック・ソルバーは、これらの指標に関して、パンデミックの進化の異なる可能性を示している。
パンデミックの進化を予測するために、2つの機械学習ツールが使用される。
最後に、決定論的ツールと2つの機械学習ツールの比較を示す。
関連論文リスト
- Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳(メタデータ) (2023-07-28T08:01:05Z) - Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。
パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。
研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
論文 参考訳(メタデータ) (2023-03-23T17:19:26Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - 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) - Assessing the Impact of COVID-19 on Trade: a Machine Learning
Counterfactual Analysis [0.0]
本稿では、企業の取引状況予測における異なる機械学習(ml)手法の有効性を検討する最初の試みである。
私たちは、2つの異なるシナリオの下で輸出市場で生き残るコロンビアの企業の可能性に焦点を当てています:COVID-19の設定と非COVID-19の反事実の状況。
論文 参考訳(メタデータ) (2021-04-09T19:00:03Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳(メタデータ) (2021-02-11T11:57:33Z) - 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) - Predicting COVID-19 cases using Bidirectional LSTM on multivariate time
series [1.8352113484137624]
本稿では,新型コロナウイルス感染者の累積数を予測するための深層学習手法を提案する。
ロックダウンに加え、複数の国のデータにより、毎日の累積感染者の予測の精度が向上している。
論文 参考訳(メタデータ) (2020-09-10T12:53:05Z) - Deep Learning Models for Early Detection and Prediction of the spread of
Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。
新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文 参考訳(メタデータ) (2020-07-29T10:14:11Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳(メタデータ) (2020-05-13T18:21:50Z) - Comparative prediction of confirmed cases with COVID-19 pandemic by
machine learning, deterministic and stochastic SIR models [0.0]
新型コロナウイルス感染者数を予測するための機械学習技術とSIRモデルを提案する。
楽観的な推計では、一部の国のパンデミックは間もなく終了するが、世界のほとんどの国では、5月初め以降は反パンデミックの打撃が続くだろう。
論文 参考訳(メタデータ) (2020-04-24T22:54:10Z)
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。