論文の概要: Deep learning via LSTM models for COVID-19 infection forecasting in India

• arxiv url: http://arxiv.org/abs/2101.11881v1
• Date: Thu, 28 Jan 2021 09:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 00:45:48.687150
• Title: Deep learning via LSTM models for COVID-19 infection forecasting in India
• Title（参考訳）: インドにおける新型コロナウイルス感染予測のためのLSTMモデルによる深層学習
• Authors: Rohitash Chandra, Ayush Jain, Divyanshu Singh Chauhan
• Abstract要約: 卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
• 参考スコア（独自算出の注目度）: 13.163271874039191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We have entered an era of a pandemic that has shaken the world with major impact to medical systems, economics and agriculture. Prominent computational and mathematical models have been unreliable due to the complexity of the spread of infections. Moreover, lack of data collection and reporting makes any such modelling attempts unreliable. Hence we need to re-look at the situation with the latest data sources and most comprehensive forecasting models. Deep learning models such as recurrent neural networks are well suited for modelling temporal sequences. In this paper, prominent recurrent neural networks, in particular \textit{long short term memory} (LSTMs) networks, bidirectional LSTM, and encoder-decoder LSTM models for multi-step (short-term) forecasting the spread of COVID-infections among selected states in India. We select states with COVID-19 hotpots in terms of the rate of infections and compare with states where infections have been contained or reached their peak and provide two months ahead forecast that shows that cases will slowly decline. Our results show that long-term forecasts are promising which motivates the application of the method in other countries or areas. We note that although we made some progress in forecasting, the challenges in modelling remain due to data and difficulty in capturing factors such as population density, travel logistics, and social aspects such culture and lifestyle.
• Abstract（参考訳）: 私たちは、医療システム、経済、農業に大きな影響を与えて世界を揺るがしたパンデミックの時代に入りました。 伝染の広がりの複雑さのために顕著な計算および数学的モデルは信頼できませんでした。 さらに、データ収集とレポートの欠如により、そのようなモデリングの試みは信頼できない。 したがって、最新のデータソースと最も包括的な予測モデルで状況を見直す必要がある。 リカレントニューラルネットワークなどのディープラーニングモデルは、時間シーケンスのモデリングに適しています。 本稿では,インドにおける新型コロナウイルスの感染拡大を予知する多段階(短期)のニューラルネットワーク,特に‘textit{long short term memory}(LSTM)ネットワーク,双方向LSTM,エンコーダデコーダLSTMモデルについて述べる。 感染率の面では、新型コロナウイルスのホットポットを持つ状態を選択し、感染がピークに達した状態と比較し、症例が徐々に減少することを示す2ヶ月の予測を提供します。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。 予測はある程度進展したが,人口密度,旅行物流,文化や生活習慣といった社会的側面といった要因の把握が困難であることから,モデリングの課題は残る。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• 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)
• Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
  新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。 疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。 機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
  論文  参考訳（メタデータ） (2021-02-03T11:54:24Z)
• 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 Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
  我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。 イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-14T07:04:57Z)
• Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
  我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。 このモデルは現在のパンデミックを予測できない。 低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
  論文  参考訳（メタデータ） (2020-06-16T17:20:54Z)

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。