論文の概要: Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep
22, 2021, based on deep learning
- arxiv url: http://arxiv.org/abs/2103.08178v1
- Date: Mon, 15 Mar 2021 07:36:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 00:00:32.011824
- Title: Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep
22, 2021, based on deep learning
- Title（参考訳）: 深層学習に基づく2021年9月22日までのイランにおける新型コロナ流行のモデル化と予測
- Authors: Jafar Abdollahi, Amir Jalili Irani, Babak Nouri-Moghaddam
- Abstract要約: 本研究の目的は,イランにおける新規患者数,死亡者数,回復患者数を180日間,効率的に推定することである。
予測手法、時系列、機械学習アルゴリズムの4つの異なるタイプが開発され、与えられたケーススタディに最適なパフォーマンス方法が決定されます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent global outbreak of covid-19 is affecting many countries around the
world. Due to the growing number of newly infected individuals and the
health-care system bottlenecks, it will be useful to predict the upcoming
number of patients. This study aims to efficiently forecast the is used to
estimate new cases, number of deaths, and number of recovered patients in Iran
for 180 days, using the official dataset of the Iranian Ministry of Health and
Medical Education and the impact of control measures on the spread of COVID-19.
Four different types of forecasting techniques, time series, and machine
learning algorithms, are developed and the best performing method for the given
case study is determined. Under the time series, we consider the four
algorithms including Prophet, Long short-term memory, Autoregressive,
Autoregressive Integrated Moving Average models. On comparing the different
techniques, we found that deep learning methods yield better results than time
series forecasting algorithms. More specifically, the least value of the error
measures is observed in seasonal ANN and LSTM models. Our findings showed that
if precautionary measures are taken seriously, the number of new cases and
deaths will decrease, and the number of deaths in September 2021 will reach
zero.
- Abstract（参考訳）: 最近のコビッド-19の世界的な流行は、世界中の多くの国に影響を与えています。
新規感染者の増加と医療システムのボトルネックにより、今後の患者の数を予測することが有用になります。
本研究は、イラン保健医療省の公式データセットと、新型コロナウイルスの感染拡大に対する対策の効果を用いて、イランにおける新たな症例、死亡者数、回復患者数を180日間にわたって効率的に予測することを目的としている。
予測手法、時系列、機械学習アルゴリズムの4つの異なるタイプが開発され、与えられたケーススタディに最適なパフォーマンス方法が決定されます。
時系列では,prophet,long short-term memory,autoregressive,autoregressive integrated moving average modelの4つのアルゴリズムを検討する。
異なる手法を比較すると、ディープラーニング手法は時系列予測アルゴリズムよりも優れた結果をもたらすことが分かりました。
より具体的には、エラー対策の最小値は、季節ANNおよびLSTMモデルで観察されます。
以上の結果から,予防措置が真剣に取られた場合,新たな症例や死亡件数は減少し,2021年9月の死亡件数はゼロとなることが明らかとなった。
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) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
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。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - Deep Learning Models for Early Detection and Prediction of the spread of
Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。
新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文 参考訳（メタデータ） (2020-07-29T10:14:11Z) - 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) - Forecasting Brazilian and American COVID-19 cases based on artificial
intelligence coupled with climatic exogenous variables [3.0711362702464675]
世界保健機関(WHO)によると、新型コロナウイルス(COVID-19)は2020年6月10日までの公衆衛生上の問題である。
現在のシナリオでは、ブラジルと米国は毎日、新しいケースや死亡の頻度が高い。
新型コロナウイルス(COVID-19)対策の戦略的計画を立てる上では、今後1週間の時間枠で新規感染者数を予測することが重要である。
論文 参考訳（メタデータ） (2020-07-21T17:58:11Z) - 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) - 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) - A machine learning methodology for real-time forecasting of the
2019-2020 COVID-19 outbreak using Internet searches, news alerts, and
estimates from mechanistic models [53.900779250589814]
提案手法は,2日前の安定かつ正確な予測を行うことができる。
我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
論文 参考訳（メタデータ） (2020-04-08T14:39:32Z)
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。