論文の概要: Backtesting the predictability of COVID-19

• arxiv url: http://arxiv.org/abs/2007.11411v1
• Date: Wed, 22 Jul 2020 13:18:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:39:40.111464
• Title: Backtesting the predictability of COVID-19
• Title（参考訳）: 新型コロナウイルスの予測可能性の検証
• Authors: Dmitry Gordeev, Philipp Singer, Marios Michailidis, Mathias M\"uller, SriSatish Ambati
• Abstract要約: 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。
• 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: The advent of the COVID-19 pandemic has instigated unprecedented changes in many countries around the globe, putting a significant burden on the health sectors, affecting the macro economic conditions, and altering social interactions amongst the population. In response, the academic community has produced multiple forecasting models, approaches and algorithms to best predict the different indicators of COVID-19, such as the number of confirmed infected cases. Yet, researchers had little to no historical information about the pandemic at their disposal in order to inform their forecasting methods. Our work studies the predictive performance of models at various stages of the pandemic to better understand their fundamental uncertainty and the impact of data availability on such forecasts. We use historical data of COVID-19 infections from 253 regions from the period of 22nd January 2020 until 22nd June 2020 to predict, through a rolling window backtesting framework, the cumulative number of infected cases for the next 7 and 28 days. We implement three simple models to track the root mean squared logarithmic error in this 6-month span, a baseline model that always predicts the last known value of the cumulative confirmed cases, a power growth model and an epidemiological model called SEIRD. Prediction errors are substantially higher in early stages of the pandemic, resulting from limited data. Throughout the course of the pandemic, errors regress slowly, but steadily. The more confirmed cases a country exhibits at any point in time, the lower the error in forecasting future confirmed cases. We emphasize the significance of having a rigorous backtesting framework to accurately assess the predictive power of such models at any point in time during the outbreak which in turn can be used to assign the right level of certainty to these forecasts and facilitate better planning.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)パンデミックの出現は、世界中の多くの国で前例のない変化を招き、医療セクターに大きな負担を課し、マクロ経済の状況に影響を与え、人口間の社会的相互作用を変化させている。 これに対し、学術コミュニティは、感染が確認された感染者の数など、covid-19のさまざまな指標を予測するために、複数の予測モデル、アプローチ、アルゴリズムを作成しました。 しかし研究者らは、パンデミックの予測方法を伝えるために、パンデミックに関する歴史的情報をほとんど持っていなかった。 本研究は、パンデミックのさまざまな段階でのモデル予測性能を調査し、その基本的な不確実性とデータ可用性が予測に与える影響をよりよく理解する。 我々は,2020年1月22日から2020年6月22日までの253地域における新型コロナウイルスの感染状況に関する過去のデータを用いて,今後7日間,28日間の累積感染者数を予測する。 この6ヶ月の期間における根平均二乗対数誤差を追跡する3つの単純なモデルを実装し,累積確認症例の最終既知値を常に予測するベースラインモデル,パワー成長モデル,seirdと呼ばれる疫学モデルを実装した。 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。 パンデミックの間、エラーはゆっくりと後退するが着実に進行する。 国がどの時点でも確認された場合が多いほど、将来の確認症例の予測誤差が低くなる。 我々は,これらの予測に適切な信頼度を割り当て,より良い計画を容易にするために,アウトブレイク時の任意の時点において,そのようなモデルの予測力を正確に評価する厳格なバックテストフレームワークを持つことの重要性を強調した。

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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Improving ECG-based COVID-19 diagnosis and mortality predictions using pre-pandemic medical records at population-scale [19.23987229578229]
  この研究は、パンデミック前データを用いた事前学習モデルであるこのアプローチが効果的に機能することを示します。 同様のトランスファー学習戦略は、将来のパンデミックの流行において、タイムリーな人工知能ソリューションを開発するのに有用である。
  論文  参考訳（メタデータ） (2022-11-14T04:48:07Z)
• Predicting infections in the Covid-19 pandemic -- lessons learned [5.981641988736108]
  本稿では,XPrize Pandemic Response Challengeのために提案された予測アルゴリズムから始める。 モデル化された地域の文化に関する付加的な情報でアルゴリズムを増強することで、短期予測の性能を向上させることができることがわかった。 中期予測の精度は依然として低く、そのようなモデルを公共政策ツールボックスの信頼性の高いコンポーネントにするためには、かなりの量の将来の研究が必要である。
  論文  参考訳（メタデータ） (2021-12-02T20:20:46Z)
• 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)
• 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)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• Forecasting Brazilian and American COVID-19 cases based on artificial intelligence coupled with climatic exogenous variables [3.0711362702464675]
  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。
  論文  参考訳（メタデータ） (2020-07-21T17:58:11Z)

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。