論文の概要: Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement
- arxiv url: http://arxiv.org/abs/2006.12617v2
- Date: Wed, 1 Jul 2020 14:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 20:40:18.613007
- Title: Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement
- Title（参考訳）: アダプティブ郡レベルのcovid-19予測モデル:分析と改善
- Authors: Stewart W Doe, Tyler Russell Seekins, David Fitzpatrick, Dawsin
Blanchard, Salimeh Yasaei Sekeh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.8899300124593645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately forecasting county level COVID-19 confirmed cases is crucial to
optimizing medical resources. Forecasting emerging outbreaks pose a particular
challenge because many existing forecasting techniques learn from historical
seasons trends. Recurrent neural networks (RNNs) with LSTM-based cells are a
logical choice of model due to their ability to learn temporal dynamics. In
this paper, we adapt the state and county level influenza model, TDEFSI-LONLY,
proposed in Wang et a. [l2020] to national and county level COVID-19 data. We
show that this model poorly forecasts the current pandemic. We analyze the two
week ahead forecasting capabilities of the TDEFSI-LONLY model with combinations
of regularization techniques. Effective training of the TDEFSI-LONLY model
requires data augmentation, to overcome this challenge we utilize an SEIR model
and present an inter-county mixing extension to this model to simulate
sufficient training data. Further, we propose an alternate forecast model, {\it
County Level Epidemiological Inference Recurrent Network} (\alg{}) that trains
an LSTM backbone on national confirmed cases to learn a low dimensional time
pattern and utilizes a time distributed dense layer to learn individual county
confirmed case changes each day for a two weeks forecast. We show that the
best, worst, and median state forecasts made using CLEIR-Net model are
respectively New York, South Carolina, and Montana.
- Abstract（参考訳）: 医療資源の最適化には、郡レベルの感染者を正確に予測することが不可欠である。
多くの既存の予測技術が歴史的季節の傾向から学んでいるため、流行の予測は特に課題となる。
LSTM細胞をベースとしたリカレントニューラルネットワーク(RNN)は、時間力学を学習する能力のため、モデルの論理的な選択である。
本稿では,王らによって提案された州および郡レベルのインフルエンザモデルであるTDEFSI-LONLYを適応する。
全国および郡レベルのCOVID-19データに対する[l2020]。
このモデルが現在のパンデミックを予測できないことを示している。
我々はTDEFSI-LONLYモデルの2週間前の予測能力と正規化手法の組み合わせを分析した。
TDEFSI-LONLYモデルの効果的なトレーニングにはデータ拡張が必要であり、この課題を克服するために、SEIRモデルを使用し、このモデルに郡間混合拡張を行い、十分なトレーニングデータをシミュレートする。
さらに、低次元の時間パターンを学習するためにLSTMバックボーンを全国的に訓練し、時間分散密度層を用いて、各郡の個別のケース変化を2週間の予測で学習する、代替予測モデル {\it County Level Epidemiological Inference Recurrent Network} (\alg{})を提案する。
CLEIR-Netモデルを用いた最高の、最悪の、中央値の予測は、それぞれニューヨーク、サウスカロライナ、モンタナである。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - 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) - Deep learning via LSTM models for COVID-19 infection forecasting in
India [13.163271874039191]
卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。
リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。
感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。
以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T09:19:10Z) - 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) - condLSTM-Q: A novel deep learning model for predicting Covid-19
mortality in fine geographical Scale [0.0]
CondLSTM-Qは2週間の予測ウィンドウで、郡レベルでのCOVID-19死亡率を定量的に予測するモデルである。
この微細な地理的スケールは、公開可能な予測モデルでは珍しいが有用な特徴である。
論文 参考訳（メタデータ） (2020-11-23T16:14:48Z) - 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) - 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)
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。