論文の概要: A Data-driven Understanding of COVID-19 Dynamics Using Sequential
Genetic Algorithm Based Probabilistic Cellular Automata
- arxiv url: http://arxiv.org/abs/2008.12020v1
- Date: Thu, 27 Aug 2020 09:53:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:08:14.188267
- Title: A Data-driven Understanding of COVID-19 Dynamics Using Sequential
Genetic Algorithm Based Probabilistic Cellular Automata
- Title（参考訳）: 遺伝的アルゴリズムに基づく確率的セルオートマタを用いたデータ駆動型COVID-19動態の理解
- Authors: Sayantari Ghosh and Saumik Bhattacharya
- Abstract要約: 本研究は、この感染拡散の正確なデータ駆動モデリングのために、セルオートマトンが優れたプラットフォームを提供することを示唆する。
異なる大陸の40カ国で、新型コロナウイルスの統計分析が実施されている。
このモデルの実質的な予測力は、パンデミックのダイナミクスにおける主要なプレイヤーの結論とともに確立されている。
- 参考スコア（独自算出の注目度）: 4.36572039512405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 pandemic is severely impacting the lives of billions across the
globe. Even after taking massive protective measures like nation-wide
lockdowns, discontinuation of international flight services, rigorous testing
etc., the infection spreading is still growing steadily, causing thousands of
deaths and serious socio-economic crisis. Thus, the identification of the major
factors of this infection spreading dynamics is becoming crucial to minimize
impact and lifetime of COVID-19 and any future pandemic. In this work, a
probabilistic cellular automata based method has been employed to model the
infection dynamics for a significant number of different countries. This study
proposes that for an accurate data-driven modeling of this infection spread,
cellular automata provides an excellent platform, with a sequential genetic
algorithm for efficiently estimating the parameters of the dynamics. To the
best of our knowledge, this is the first attempt to understand and interpret
COVID-19 data using optimized cellular automata, through genetic algorithm. It
has been demonstrated that the proposed methodology can be flexible and robust
at the same time, and can be used to model the daily active cases, total number
of infected people and total death cases through systematic parameter
estimation. Elaborate analyses for COVID-19 statistics of forty countries from
different continents have been performed, with markedly divergent time
evolution of the infection spreading because of demographic and socioeconomic
factors. The substantial predictive power of this model has been established
with conclusions on the key players in this pandemic dynamics.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックは世界中の何十億もの人々の生活に深刻な影響を与えている。
全国規模の封鎖、国際便の廃止、厳格な検査など大規模な保護措置を講じた後も、感染は着実に拡大しており、数千人の死者と深刻な社会経済危機を引き起こしている。
そのため、新型コロナウイルスや今後のパンデミックの影響と寿命を最小限に抑えるために、この感染拡大の要因を特定することが重要である。
本研究では,多くの国で感染動態をモデル化するために,確率論的セルオートマトン法を用いている。
本研究は,この感染拡大の正確なデータ駆動モデリングのために,セルオートマトンはダイナミックスパラメータを効率的に推定するための逐次遺伝的アルゴリズムを備えた優れたプラットフォームを提供する。
私たちの知る限りでは、これは遺伝子アルゴリズムを通じて、最適化されたセルオートマトンを用いて新型コロナウイルスのデータを理解し解釈する最初の試みである。
提案手法は, 同時に柔軟かつ堅牢であり, 日常的な活動事例, 感染者総数, 死亡事故総数を, 体系的パラメータ推定によってモデル化することができる。
異なる大陸の40カ国の新型コロナウイルス統計に関する実験分析が行われ、人口統計学的・社会経済的要因により、感染拡大の時間的変化が著しく異なる。
このモデルの実質的な予測力は、パンデミックのダイナミクスにおける主要なプレイヤーの結論とともに確立されている。
関連論文リスト
- COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in
India [1.7969777786551424]
最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。
我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。
その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
論文 参考訳（メタデータ） (2021-08-31T13:28:51Z) - 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) - An Extended Epidemic Model on Interconnected Networks for COVID-19 to
Explore the Epidemic Dynamics [2.89591830279936]
パンデミックコントロールは、感染した個人の傾向や影響を捉える疫病モデルを必要とする。
多くのエキサイティングなモデルはこれを実装できるが、実践的な解釈性に欠ける。
本研究は疫学とネットワーク理論を融合し,因果解釈能力を持つ枠組みを提案する。
論文 参考訳（メタデータ） (2021-04-10T06:46:01Z) - 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) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳（メタデータ） (2020-05-24T10:43:55Z) - 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)
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。