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
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - 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) - Deep trip generation with graph neural networks for bike sharing system
expansion [7.737133861503814]
マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。
提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
論文 参考訳(メタデータ) (2023-03-20T16:43:41Z) - Similarity-based Feature Extraction for Large-scale Sparse Traffic
Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。
この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文 参考訳(メタデータ) (2022-11-13T22:19:21Z) - 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 Comparative Study of Using Spatial-Temporal Graph Convolutional
Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。
実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
論文 参考訳(メタデータ) (2021-04-21T17:13:29Z) - Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for
Data-Driven Base Station Sleep Control [39.31623488192675]
5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。
BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。
セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。
本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
論文 参考訳(メタデータ) (2021-01-21T01:39:42Z) - 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) - 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)
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。