論文の概要: An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System

• arxiv url: http://arxiv.org/abs/2012.07574v1
• Date: Tue, 8 Dec 2020 19:35:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 20:41:16.546782
• Title: An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System
• Title（参考訳）: 新型コロナウイルス早期警戒システムにおけるネットワークスキャンの予測
• Authors: Chance Haycock, Edward Thorpe-Woods, James Walsh, Patrick O'Hara, Oscar Giles, Neil Dhir, Theodoros Damoulas
• Abstract要約: 新型コロナウイルス(COVID-19)パンデミックに対するグレーター・ロンドン・オーソリティ(GLA)の対応のひとつとして、複数の大規模および異種データセットが集められている。 本稿では,早期警戒システムについて述べるとともに,GLAとTransport for Londonを支援するネットワークの予測に基づくスキャン統計を導入する。
• 参考スコア（独自算出の注目度）: 8.634409966628322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the Greater London Authority's (GLA) response to the COVID-19 pandemic brings together multiple large-scale and heterogeneous datasets capturing mobility, transportation and traffic activity over the city of London to better understand 'busyness' and enable targeted interventions and effective policy-making. As part of Project Odysseus we describe an early-warning system and introduce an expectation-based scan statistic for networks to help the GLA and Transport for London, understand the extent to which populations are following government COVID-19 guidelines. We explicitly treat the case of geographically fixed time-series data located on a (road) network and primarily focus on monitoring the dynamics across large regions of the capital. Additionally, we also focus on the detection and reporting of significant spatio-temporal regions. Our approach is extending the Network Based Scan Statistic (NBSS) by making it expectation-based (EBP) and by using stochastic processes for time-series forecasting, which enables us to quantify metric uncertainty in both the EBP and NBSS frameworks. We introduce a variant of the metric used in the EBP model which focuses on identifying space-time regions in which activity is quieter than expected.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックに対するグレーター・ロンドン・オーソリティ(GLA)の対応のひとつとして、ロンドンのモビリティ、交通、交通活動を捉える複数の大規模および異種データセットが集結し、"ビジネス性"をよりよく理解し、標的とする介入と効果的な政策決定を可能にする。 project odysseusの一環として、早期警戒システムを紹介し、政府のcovid-19ガイドラインに従う人口の程度を理解するために、ネットワークに対する期待に基づくスキャン統計を導入します。 我々は、(道路)ネットワーク上の地理的に固定された時系列データの場合を明示的に扱い、主に首都の広域にわたるダイナミクスの監視に焦点をあてる。 さらに,重要な時空間領域の検出と報告にも焦点をあてた。 我々のアプローチは、ネットワークベーススキャン統計(NBSS)を拡張し、予測ベース(EBP)を作成し、時系列予測に確率的プロセスを用いることで、ESPとNBSSの両方のフレームワークにおける計量の不確実性を定量化することである。 本稿では,活動が期待以上に静かである時空間領域の同定に焦点をあてた EBP モデルで用いられる計量の変種を紹介する。

関連論文リスト

• Echo State Networks for Spatio-Temporal Area-Level Data [2.411699454065038]
  空間時間領域レベルのデータセットは、公式統計において重要な役割を担い、政策決定と地域計画に関する貴重な洞察を提供する。 これらのデータセットの正確なモデリングと予測は、政策立案者が将来の計画のための情報戦略を開発するのに極めて有用である。 本稿では,Echo State Networks (ESNs) の入力段階で近似グラフスペクトルフィルタを組み込む。 政策や計画の文脈において、より情報のある意思決定を支援する方法について説明する。
  論文  参考訳（メタデータ） (2024-10-14T15:51:06Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• Early Detection of Critical Urban Events using Mobile Phone Network Data [1.215595725505415]
  ネットワークシグナリングデータ(NSD)は、個人による携帯電話サービスに関する継続的な時間情報を提供する可能性がある。 NSDは、火災、大事故、スタンプ、テロ攻撃、スポーツやレジャーの集まりなど、重要な都市イベントの早期発見を可能にする。 本稿では,高度NSDが交通サービス消費の異常を検出できるという実証的証拠を提示する。
  論文  参考訳（メタデータ） (2024-05-29T14:31:39Z)
• STROOBnet Optimization via GPU-Accelerated Proximal Recurrence Strategies [0.0]
  本研究では,時空間レンジオブザーバ・オブザーバ・オブザーバ・バイパートイトネットワーク(STROOBnet)に着目した。 観測ノード(監視カメラなど)を定義された地理的領域内のイベントにリンクし、効率的な監視を可能にする。 ニューオーリンズのRTCC(Real-Time Crime Camera)システムとCFS(Calls for Service)のデータを用いて、ネットワークの初期観測不均衡に対処する。
  論文  参考訳（メタデータ） (2024-04-22T17:46:29Z)
• Graph-Based Optimisation of Network Expansion in a Dockless Bike Sharing System [0.0]
  自転車シェアリングシステム(BSS)は世界中で数千以上の都市に展開されており、多くの都市交通システムにおいて重要な役割を果たしている。 本研究では,ドッキングレス BSS オペレータである Bikes Moby の旅行データを用いて,最適時間グラフを構築した。 グラフを最適化するプロセスは、将来のBSSの拡張中に新しいステーションを建てるための主要な場所を明らかにした。
  論文  参考訳（メタデータ） (2024-03-28T12:29:25Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Fine-Grained Population Mobility Data-Based Community-Level COVID-19 Prediction Model [5.548510262756311]
  本研究では,2つの地域レベルのデータを利用した人口移動データモデル(FGC-COVID)を提案する。 CBGの埋め込みをコミュニティレベルに集約する空間重み付けアグリゲーションモジュールを導入する。 我々のモデルは、コミュニティレベルの新型コロナウイルスの予測において、既存の予測モデルよりも優れています。
  論文  参考訳（メタデータ） (2022-02-13T08:40:47Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak [54.39837683016444]
  C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。 C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。 新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
  論文  参考訳（メタデータ） (2020-12-22T17:02:54Z)

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。