論文の概要: Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak
- arxiv url: http://arxiv.org/abs/2102.05960v1
- Date: Thu, 11 Feb 2021 11:57:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:00:56.345200
- Title: Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak
- Title(参考訳): Covid-19のアウトブレイクを解析・予測する機械学習手法の比較分析
- Authors: Muhammad Naeem, Jian Yu, Muhammad Aamir, Sajjad Ahmad Khan, Olayinka
Adeleye, Zardad Khan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.307715136465056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background. Forecasting the time of forthcoming pandemic reduces the impact
of diseases by taking precautionary steps such as public health messaging and
raising the consciousness of doctors. With the continuous and rapid increase in
the cumulative incidence of COVID-19, statistical and outbreak prediction
models including various machine learning (ML) models are being used by the
research community to track and predict the trend of the epidemic, and also in
developing appropriate strategies to combat and manage its spread. Methods. In
this paper, we present a comparative analysis of various ML approaches
including Support Vector Machine, Random Forest, K-Nearest Neighbor and
Artificial Neural Network in predicting the COVID-19 outbreak in the
epidemiological domain. We first apply the autoregressive distributed lag
(ARDL) method to identify and model the short and long-run relationships of the
time-series COVID-19 datasets. That is, we determine the lags between a
response variable and its respective explanatory time series variables as
independent variables. Then, the resulting significant variables concerning
their lags are used in the regression model selected by the ARDL for predicting
and forecasting the trend of the epidemic. Results. Statistical measures i.e.,
Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Mean Absolute
Percentage Error (MAPE) are used for model accuracy. The values of MAPE for the
best selected models for confirmed, recovered and deaths cases are 0.407, 0.094
and 0.124 respectively, which falls under the category of highly accurate
forecasts. In addition, we computed fifteen days ahead forecast for the daily
deaths, recover, and confirm patients and the cases fluctuated across time in
all aspects. Besides, the results reveal the advantages of ML algorithms for
supporting decision making of evolving short term policies.
- Abstract(参考訳): 背景。
パンデミックの時期を予測することは、公衆衛生のメッセージや医師の意識向上といった予防措置を講じることで、病気の影響を減少させる。
新型コロナウイルスの累積発生率の継続的かつ急速な増加に伴い、さまざまな機械学習(ML)モデルを含む統計および発生予測モデルは、流行の傾向を追跡し、予測するために研究コミュニティによって使用され、また、その拡散と闘い、管理するための適切な戦略を開発しています。
方法。
本稿では,Support Vector Machine,Random Forest,K-Nearest Neighbor,Artificial Neural NetworkなどのMLアプローチの比較分析を行い,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。
まず,自己回帰的分散ラグ(ardl)法を適用し,時系列のcovid-19データセットの短期的および長期的関係を同定しモデル化する。
すなわち、応答変数と各説明時系列変数の間の遅延を独立変数として決定する。
その後、ARDLによって選択された回帰モデルにおいて、その遅延に関する有意な変数が流行の傾向を予測および予測するために使用される。
結果。
モデル精度には、Root Mean Square Error(RMSE)、Mean Absolute Error(MAE)、Mean Absolute Percentage Error(MAPE)などの統計的測定が用いられる。
確認,回収,死亡の最良のモデルに対するMAPEの値は,それぞれ0.407,0.094,0.124であり,精度の高い予測値に該当する。
また,毎日の死亡,回復の予測を15日先取りして計算し,あらゆる面で患者と患者が変動していることを確認した。
その上、結果は進化する短期政策の意思決定を支援するためのMLアルゴリズムの利点を明らかにします。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Modeling Epidemic Spread: A Gaussian Process Regression Approach [0.7374726900469741]
本稿では,Gaussian Process regression(GPR)に基づく新しいデータ駆動手法を提案する。
本稿では、GPRを用いて、イギリスで新型コロナウイルス流行時に収集された実世界感染データを用いて、感染拡大をモデル化し、予測する例を示す。
論文 参考訳(メタデータ) (2023-12-14T22:45:01Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳(メタデータ) (2023-12-05T21:34:59Z) - Comparison of Traditional and Hybrid Time Series Models for Forecasting
COVID-19 Cases [0.5849513679510832]
2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。
流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。
したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
論文 参考訳(メタデータ) (2021-05-05T14:56:27Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳(メタデータ) (2020-07-22T13:18:00Z) - 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) - 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)
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。