論文の概要: Spatio-Temporal Multi-step Prediction of Influenza Outbreaks
- arxiv url: http://arxiv.org/abs/2102.08137v1
- Date: Tue, 16 Feb 2021 13:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 01:04:34.141620
- Title: Spatio-Temporal Multi-step Prediction of Influenza Outbreaks
- Title(参考訳): インフルエンザ流行の時空間多段階予測
- Authors: Jie Zhang, Kazumitsu Nawata, Hongyan Wu
- Abstract要約: 世界的な感染は毎年人々の健康に大きな負担を負っている。
インフルエンザ流行の多段階予測を考える手法は、インフルエンザ流行の予測をより正確にするのに役立つ。
インフルエンザの流行を正確に予測することは、病院、診療所、製薬会社が毎年のインフルエンザ流行に備えるのに役立つ。
- 参考スコア(独自算出の注目度): 4.578493011818268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flu circulates all over the world. The worldwide infection places a
substantial burden on people's health every year. Regardless of the
characteristic of the worldwide circulation of flu, most previous studies
focused on regional prediction of flu outbreaks. The methodology of considering
the spatio-temporal correlation could help forecast flu outbreaks more
precisely. Furthermore, forecasting a long-term flu outbreak, and understanding
flu infection trends more accurately could help hospitals, clinics, and
pharmaceutical companies to better prepare for annual flu outbreaks. Predicting
a sequence of values in the future, namely, the multi-step prediction of flu
outbreaks should cause concern. Therefore, we highlight the importance of
developing spatio-temporal methodologies to perform multi-step prediction of
worldwide flu outbreaks. We compared the MAPEs of SVM, RF, LSTM models of
predicting flu data of the 1-4 weeks ahead with and without other countries'
flu data. We found the LSTM models achieved the lowest MAPEs in most cases. As
for countries in the Southern hemisphere, the MAPEs of predicting flu data with
other countries are higher than those of predicting without other countries.
For countries in the Northern hemisphere, the MAPEs of predicting flu data of
the 2-4 weeks ahead with other countries are lower than those of predicting
without other countries; and the MAPEs of predicting flu data of the 1-weeks
ahead with other countries are higher than those of predicting without other
countries, except for the UK. In this study, we performed the spatio-temporal
multi-step prediction of influenza outbreaks. The methodology considering the
spatio-temporal features improves the multi-step prediction of flu outbreaks.
- Abstract(参考訳): インフルエンザは世界中に流れている。
世界的な感染は毎年人々の健康に大きな負担を負っている。
インフルエンザの世界的な循環の特徴にかかわらず、過去のほとんどの研究はインフルエンザのアウトブレイクの地域予測に焦点を当てた。
時空間相関を考慮する手法は、より正確にインフルエンザの発生を予測するのに役立つ。
さらに、長期的なインフルエンザの流行を予測し、インフルエンザ感染の傾向をより正確に理解することは、病院、診療所、製薬会社が毎年のインフルエンザの流行に備えるのに役立ちます。
将来の値のシーケンスを予測する、すなわち、インフルエンザの発生のマルチステップ予測は、懸念を引き起こす可能性があります。
したがって、世界的なインフルエンザ流行のマルチステップ予測を行うための時空間的手法の開発の重要性を強調します。
我々は,SVM,RF,LSTMのMAPEを,他国のインフルエンザデータを1~4週間前に予測するモデルと比較した。
LSTMモデルは,ほとんどの場合,最も低いMAPEを達成できた。
南半球の国については、他の国とインフルエンザデータを予測するMAPEは、他の国なしで予測するよりも高いです。
北半球の国では、他国との2~4週間前のインフルエンザデータを予測するMAPEは他国との予測よりも低く、他国との1週間前のインフルエンザデータを予測するMAPEは、イギリスを除く他国と予測するMAPEよりも高い。
本研究では,インフルエンザ流行の時空間多段階予測を行った。
時空間的特徴を考慮した手法はインフルエンザ発生の多段階予測を改善する。
関連論文リスト
- Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。
実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。
モンキーポックスのWHO流行宣言より4~9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
論文 参考訳(メタデータ) (2024-04-02T06:31:17Z) - Epidemic outbreak prediction using machine learning models [0.0]
本稿では, アメリカ合衆国ニューヨーク州における流行の流行(インフルエンザ, 肝炎, マラリア)を, 機械学習とディープラーニングのアルゴリズムを用いて予測する。
このアルゴリズムは、過去のデータを使って5週間のケース数を予測します。
グーグル検索トレンド、社会メディアデータ、気象データなどの非臨床要因も、アウトブレイクの確率を予測するために使われてきた。
論文 参考訳(メタデータ) (2023-10-30T17:28:44Z) - 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) - Epidemic Control Modeling using Parsimonious Models and Markov Decision
Processes [2.4149105714758545]
新型コロナウイルス(COVID-19)のパンデミックの第2波は、ヒトの健康に害を与えやすいため、はるかに危険である。
本稿では,遅延時間分布や回復時間分布によらず,病原体の不確実な拡散をシミュレートする,同種の流行モデルを提案する。
論文 参考訳(メタデータ) (2022-06-23T12:45:13Z) - 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) - Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。
SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文 参考訳(メタデータ) (2020-12-08T16:30:43Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳(メタデータ) (2020-09-23T22:35:43Z) - Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。
我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
論文 参考訳(メタデータ) (2020-09-10T13:23:52Z) - 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) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳(メタデータ) (2020-06-05T02:04:25Z) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。
モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。
疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文 参考訳(メタデータ) (2020-04-23T07:25:46Z)
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。