論文の概要: Forecasting Brazilian and American COVID-19 cases based on artificial
intelligence coupled with climatic exogenous variables
- arxiv url: http://arxiv.org/abs/2007.10981v1
- Date: Tue, 21 Jul 2020 17:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 05:41:46.058528
- Title: Forecasting Brazilian and American COVID-19 cases based on artificial
intelligence coupled with climatic exogenous variables
- Title（参考訳）: 気候外因性変数を併用した人工知能を用いたブラジルおよびアメリカのcovid-19症例の予測
- Authors: Ramon Gomes da Silva, Matheus Henrique Dal Molin Ribeiro, Viviana
Cocco Mariani, Leandro dos Santos Coelho
- Abstract要約: 世界保健機関(WHO)によると、新型コロナウイルス(COVID-19)は2020年6月10日までの公衆衛生上の問題である。
現在のシナリオでは、ブラジルと米国は毎日、新しいケースや死亡の頻度が高い。
新型コロナウイルス(COVID-19)対策の戦略的計画を立てる上では、今後1週間の時間枠で新規感染者数を予測することが重要である。
- 参考スコア（独自算出の注目度）: 3.0711362702464675
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The novel coronavirus disease (COVID-19) is a public health problem once
according to the World Health Organization up to June 10th, 2020, more than 7.1
million people were infected, and more than 400 thousand have died worldwide.
In the current scenario, the Brazil and the United States of America present a
high daily incidence of new cases and deaths. It is important to forecast the
number of new cases in a time window of one week, once this can help the public
health system developing strategic planning to deals with the COVID-19. In this
paper, Bayesian regression neural network, cubist regression, k-nearest
neighbors, quantile random forest, and support vector regression, are used
stand-alone, and coupled with the recent pre-processing variational mode
decomposition (VMD) employed to decompose the time series into several
intrinsic mode functions. All Artificial Intelligence techniques are evaluated
in the task of time-series forecasting with one, three, and six-days-ahead the
cumulative COVID-19 cases in five Brazilian and American states up to April
28th, 2020. Previous cumulative COVID-19 cases and exogenous variables as daily
temperature and precipitation were employed as inputs for all forecasting
models. The hybridization of VMD outperformed single forecasting models
regarding the accuracy, specifically when the horizon is six-days-ahead,
achieving better accuracy in 70% of the cases. Regarding the exogenous
variables, the importance ranking as predictor variables is past cases,
temperature, and precipitation. Due to the efficiency of evaluated models to
forecasting cumulative COVID-19 cases up to six-days-ahead, the adopted models
can be recommended as a promising models for forecasting and be used to assist
in the development of public policies to mitigate the effects of COVID-19
outbreak.
- Abstract（参考訳）: 世界保健機関(who)によると、新型コロナウイルス(covid-19)は2020年6月10日までに7100万人以上が感染し、全世界で4万人以上が死亡した。
現在のシナリオでは、ブラジルと米国は毎日、新しいケースや死亡の頻度が高い。
新型コロナウイルス(covid-19)対策の戦略的計画を策定する公衆衛生システムの助けになるため、新規感染者を1週間のタイムウィンドウで予測することが重要だ。
本稿では, ベイズ回帰ニューラルネットワーク, キュビスト回帰, k-ネアレスト近傍, 量子乱林, 支持ベクトル回帰を用い, 時系列を複数の固有モード関数に分解するために, 最近の前処理変分モード分解(VMD)と組み合わせた。
すべての人工知能技術は、2020年4月28日までのブラジルとアメリカの5州で、累積感染者の1日、3日、6日の時系列予測のタスクで評価される。
全予測モデルのインプットとして,過去の累積covid-19例と日内気温と降水量としての外因性変数を用いた。
vmdのハイブリダイゼーションは精度に関して単一の予測モデルよりも優れており、特に地平線が6日先であれば70%のケースで精度が向上した。
外因性変数に関して、予測変数としての重要性は過去のケース、温度、降水量である。
累積感染者を最大6日前に予測するための評価モデルの効率のため、導入モデルは予測のための有望なモデルとして推奨され、新型コロナウイルスの感染拡大を緩和するための公共政策の開発に役立てられる。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - COVIDHunter: COVID-19 pandemic wave prediction and mitigation via
seasonality-aware modeling [11.423326973456437]
我々は、柔軟で正確な新型コロナウイルス感染シミュレーションモデルであるCOVIDHunterを紹介した。
新型コロナウイルスによる毎日の感染者数、入院数、死亡数を予測する。
ケーススタディでは、2022年1月26日にピークとなる、致命的な新しい波を経験していると見積もられています。
論文 参考訳（メタデータ） (2022-06-14T08:48:13Z) - Forecasting COVID- 19 cases using Statistical Models and Ontology-based
Semantic Modelling: A real time data analytics approach [1.8008011356310047]
本研究では,SARIMA や FBProphet などの統計時系列モデルを用いて,COVID-19 の日常的,回復的,死亡例を正確にモニタリングする予測モデルを開発した。
COVID-19 Ontologyを開発し、設計したOntology上でSPARQLクエリを使用してさまざまなクエリを実行する。
個別の症例予測では、約497件のサンプルが検査され、5種類の新型コロナウイルスクラスに分類されている。
論文 参考訳（メタデータ） (2022-06-06T11:58:11Z) - 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) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - 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) - 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) - Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives
for Brazil [3.0711362702464675]
新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。
本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。
開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
論文 参考訳（メタデータ） (2020-07-21T17:58:58Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。