論文の概要: Ensemble Forecasting of the Zika Space-TimeSpread with Topological Data
Analysis
- arxiv url: http://arxiv.org/abs/2009.13423v1
- Date: Thu, 24 Sep 2020 16:42:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 05:16:27.608385
- Title: Ensemble Forecasting of the Zika Space-TimeSpread with Topological Data
Analysis
- Title（参考訳）: トポロジカルデータ解析によるジカ熱時空間のアンサンブル予測
- Authors: Marwah Soliman, Vyacheslav Lyubchich, Yulia R. Gel
- Abstract要約: ジカウイルスは、主にAedes aegyptiとAedes albopictusの蚊に噛まれて伝染する。
その結果、ジカウイルス感染の頻度は、降水量、高温、人口密度の高い地域では一般的である。
累積ベティ数の概念を導入し,その累積ベティ数をトポロジカル記述子として3つの機械学習モデルに統合する。
- 参考スコア（独自算出の注目度）: 13.838100337224075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As per the records of theWorld Health Organization, the first formally
reported incidence of Zika virus occurred in Brazil in May 2015. The disease
then rapidly spread to other countries in Americas and East Asia, affecting
more than 1,000,000 people. Zika virus is primarily transmitted through bites
of infected mosquitoes of the species Aedes (Aedes aegypti and Aedes
albopictus). The abundance of mosquitoes and, as a result, the prevalence of
Zika virus infections are common in areas which have high precipitation, high
temperature, and high population density.Nonlinear spatio-temporal dependency
of such data and lack of historical public health records make prediction of
the virus spread particularly challenging. In this article, we enhance Zika
forecasting by introducing the concepts of topological data analysis and,
specifically, persistent homology of atmospheric variables, into the virus
spread modeling. The topological summaries allow for capturing higher order
dependencies among atmospheric variables that otherwise might be unassessable
via conventional spatio-temporal modeling approaches based on geographical
proximity assessed via Euclidean distance. We introduce a new concept of
cumulative Betti numbers and then integrate the cumulative Betti numbers as
topological descriptors into three predictive machine learning models: random
forest, generalized boosted regression, and deep neural network. Furthermore,
to better quantify for various sources of uncertainties, we combine the
resulting individual model forecasts into an ensemble of the Zika spread
predictions using Bayesian model averaging. The proposed methodology is
illustrated in application to forecasting of the Zika space-time spread in
Brazil in the year 2018.
- Abstract（参考訳）: 世界保健機関の記録によれば、ジカウイルスの発生は2015年5月にブラジルで初めて報告された。
この病気はその後、アメリカや東アジアの他の国にも急速に広がり、人口は10万人以上に及んだ。
ジカウイルスは、主にaedesの感染した蚊(aedes aegyptiとaedes albopictus)を噛んで感染する。
蚊の大量発生とその結果、ジカウイルス感染は、降水、高温、人口密度が高い地域では一般的であり、これらのデータの非線形時空間依存性や過去の公衆衛生記録の欠如は、ウイルスの拡散の予測を特に困難にしている。
本稿では, トポロジカルデータ解析の概念, 特に大気変数の持続的ホモロジーをウイルス拡散モデルに導入することにより, ジカウイルスの予測を強化する。
トポロジカルサマリーは、ユークリッド距離で評価された地理的近接度に基づいて、従来の時空間モデリングアプローチでは評価できない大気変数間の高次依存性を捉えることができる。
累積ベッチ数という新しい概念を導入し、累積ベッチ数を位相ディスクリプタとして、ランダムフォレスト、一般化ブースト回帰、ディープニューラルネットワークの3つの予測機械学習モデルに統合する。
さらに, 様々な不確実性源の定量化を図るため, 得られた個々のモデル予測をベイズ平均化を用いたジカ熱拡散予測のアンサンブルに結合する。
提案手法は,2018年のブラジルにおけるジカ熱の時空拡散予測に適用可能である。
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) - Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳（メタデータ） (2023-07-28T08:01:05Z) - An ensemble neural network approach to forecast Dengue outbreak based on
climatic condition [2.3080278150530424]
デング熱(英: Dengue fever)は、アフリカ、アメリカ、アジアに100以上の熱帯・亜熱帯の国々に分布する病原体である。
提案モデルは、ウェーブレットをアンサンブルニューラルネットワークフレームワークに変換する統合アプローチである。
提案したXEWNetはデング発生事例と降雨の複雑な非線形関係を可能にする。
論文 参考訳（メタデータ） (2022-12-16T07:49:15Z) - 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) - Assessing dengue fever risk in Costa Rica by using climate variables and
machine learning techniques [0.0]
デング熱は、主に熱帯や亜熱帯の国々に感染するベクター性疾患であり、毎年何百万人もの人に影響を及ぼし、公衆衛生にとって重大な負担であると考えられている。
本稿では,GAMLSS (Generalized Additive Model for location, scale, and shape) とランダムフォレスト (Random Forest,RF) 機械学習アルゴリズムを用いた気候変数の効果について検討する。
論文 参考訳（メタデータ） (2022-03-23T19:59:15Z) - An integrated recurrent neural network and regression model with spatial
and climatic couplings for vector-borne disease dynamics [4.254099382808598]
本研究は,病原性疾患の進展に対するニューラルネットワークと非線形回帰モデルを構築した。
我々は、気候データの季節性や、昆虫(ハエなど)と相関する外部要因として、また、関心のある地域を囲む近隣地域からの感染を考慮に入れている。
統合モデルは、2013年から2018年にかけてスリランカで発生したリーシュ・マニアシスデータに基づいて、神経側頭葉の降下によって訓練され、試験された。
論文 参考訳（メタデータ） (2022-01-23T23:04:58Z) - 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) - 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) - 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。