論文の概要: Data-driven Simulation and Optimization for Covid-19 Exit Strategies
- arxiv url: http://arxiv.org/abs/2006.07087v1
- Date: Fri, 12 Jun 2020 11:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 22:21:31.619987
- Title: Data-driven Simulation and Optimization for Covid-19 Exit Strategies
- Title（参考訳）: Covid-19エグジット戦略のためのデータ駆動シミュレーションと最適化
- Authors: Salah Ghamizi, Renaud Rwemalika, Lisa Veiber, Maxime Cordy, Tegawende
F. Bissyande, Mike Papadakis, Jacques Klein and Yves Le Traon
- Abstract要約: コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。
我々は,疫学パラメータの深層学習推定を組み合わせたパンデミックシミュレーションと予測ツールキットを構築した。
- 参考スコア（独自算出の注目度）: 16.31545249131776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid spread of the Coronavirus SARS-2 is a major challenge that led
almost all governments worldwide to take drastic measures to respond to the
tragedy. Chief among those measures is the massive lockdown of entire countries
and cities, which beyond its global economic impact has created some deep
social and psychological tensions within populations. While the adopted
mitigation measures (including the lockdown) have generally proven useful,
policymakers are now facing a critical question: how and when to lift the
mitigation measures? A carefully-planned exit strategy is indeed necessary to
recover from the pandemic without risking a new outbreak. Classically, exit
strategies rely on mathematical modeling to predict the effect of public health
interventions. Such models are unfortunately known to be sensitive to some key
parameters, which are usually set based on rules-of-thumb.In this paper, we
propose to augment epidemiological forecasting with actual data-driven models
that will learn to fine-tune predictions for different contexts (e.g., per
country). We have therefore built a pandemic simulation and forecasting toolkit
that combines a deep learning estimation of the epidemiological parameters of
the disease in order to predict the cases and deaths, and a genetic algorithm
component searching for optimal trade-offs/policies between constraints and
objectives set by decision-makers. Replaying pandemic evolution in various
countries, we experimentally show that our approach yields predictions with
much lower error rates than pure epidemiological models in 75% of the cases and
achieves a 95% R2 score when the learning is transferred and tested on unseen
countries. When used for forecasting, this approach provides actionable
insights into the impact of individual measures and strategies.
- Abstract（参考訳）: コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。
その主な要因は、世界経済への影響を超えて、人口の社会的、心理的緊張が深まっている国や都市全体の大規模な封鎖だ。
緩和措置(ロックダウンを含む)が一般的に有効であることが証明されているが、政策立案者は今、重要な問題に直面している。
新型コロナウイルスの感染拡大をリスクなく回復するには、慎重に計画された出口戦略が必要である。
古典的な出口戦略は、公衆衛生介入の効果を予測するために数学的モデリングに依存している。
本稿では,様々な状況(例えば,国ごとに)の予測を微調整することを学ぶ実際のデータ駆動モデルを用いて,疫学的な予測を強化することを提案する。
そこで我々は,疾患の疫学的パラメータの深層的推定と死の予測を併用したパンデミックシミュレーションと予測ツールキットを構築し,意思決定者によって設定された制約と目的との間の最適なトレードオフ・ポリティシを求める遺伝的アルゴリズムコンポーネントを構築した。
各国のパンデミックの進展を再現し,本手法が純粋な疫学モデルに比べて75%の誤差率で予測し,未確認の国で学習が受け継がれた場合,95%のR2スコアが得られることを示した。
予測に使用する場合、このアプローチは個々の測度や戦略の影響に関する実用的な洞察を提供する。
関連論文リスト
- Epidemic Control on a Large-Scale-Agent-Based Epidemiology Model using
Deep Deterministic Policy Gradient [0.7244731714427565]
ロックダウン、急激な予防接種プログラム、学校閉鎖、経済刺激は、肯定的または意図しない否定的な結果をもたらす可能性がある。
ラウンドトリップを通じて自動的に最適な介入をモデル化し決定するための現在の研究は、シミュレーション目標、スケール(数千人)、介入研究に適さないモデルタイプ、探索可能な介入戦略の数(離散対連続)によって制限されている。
我々は,大規模(100,000人)の疫学的エージェントに基づくシミュレーションに基づいて,DDPGに基づく政策最適化フレームワークを用いて,これらの課題に対処する。
論文 参考訳（メタデータ） (2023-04-10T09:26:07Z) - 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) - Impact of Interventional Policies Including Vaccine on Covid-19
Propagation and Socio-Economic Factors [0.7874708385247353]
本研究の目的は、新型コロナウイルスの伝播と社会経済的影響をモデル化、予測、シミュレーションするための予測分析フレームワークを提供することである。
私たちは最近ローンチしたオープンソースのCOVID-19ビッグデータプラットフォームを活用し、公開研究を使用して潜在的に関連する変数を見つけました。
先進的な機械学習パイプラインは、現代的な機械学習アーキテクチャにデプロイされた自己進化モデルを用いて開発された。
論文 参考訳（メタデータ） (2021-01-11T15:08:07Z) - 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) - 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 Deep Q-learning/genetic Algorithms Based Novel Methodology For
Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。
報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。
どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
論文 参考訳（メタデータ） (2020-05-15T17:17:45Z) - 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) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
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。
論文 参考訳（メタデータ） (2020-04-23T07:25:46Z) - Simulation of Covid-19 epidemic evolution: are compartmental models
really predictive? [0.0]
本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。
粒子群最適化(PSO)に基づく機械学習手法を提案する。
予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
論文 参考訳（メタデータ） (2020-04-14T08:42:11Z)
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。