Fugu-MT 論文翻訳(概要): Scalable Predictive Time-Series Analysis of COVID-19: Cases and Fatalities

論文の概要: Scalable Predictive Time-Series Analysis of COVID-19: Cases and Fatalities

arxiv url: http://arxiv.org/abs/2104.11349v1
Date: Thu, 22 Apr 2021 23:08:13 GMT
ステータス: 処理完了
システム内更新日: 2021-04-26 20:44:48.215112
Title: Scalable Predictive Time-Series Analysis of COVID-19: Cases and Fatalities
Title（参考訳）: 新型コロナウイルスの時系列解析 : 症例と死亡例
Authors: Shradha Shinde, Jay Joshi, Sowmya Mareedu, Yeon Pyo Kim, Jongwook Woo
Abstract要約: 新型コロナウイルス19は、2019年12月から世界中で広まり始めた急性疾患です。本論文では,米国ロサンゼルスおよびニューヨークにおける死亡者数と確認症例を予測した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: COVID 19 is an acute disease that started spreading throughout the world, beginning in December 2019. It has spread worldwide and has affected more than 7 million people, and 200 thousand people have died due to this infection as of Oct 2020. In this paper, we have forecasted the number of deaths and the confirmed cases in Los Angeles and New York of the United States using the traditional and Big Data platforms based on the Times Series: ARIMA and ETS. We also implemented a more sophisticated time-series forecast model using Facebook Prophet API. Furthermore, we developed the classification models: Logistic Regression and Random Forest regression to show that the Weather does not affect the number of the confirmed cases. The models are built and run in legacy systems (Azure ML Studio) and Big Data systems (Oracle Cloud and Databricks). Besides, we present the accuracy of the models.
Abstract（参考訳）: 新型コロナウイルス19は、2019年12月から世界中で流行し始めた急性疾患である。世界中に広がり、700万人以上が感染し、2020年10月現在で2万人が死亡している。本稿では,Times Series: ARIMA と ETS をベースとした従来型およびビッグデータプラットフォームを用いて,死者数と米国ロサンゼルスおよびニューヨークで確認された症例数を予測した。また,Facebook Prophet APIを用いた時系列予測モデルも実装した。さらに,ロジスティック回帰(ロジスティック回帰)とランダムフォレスト回帰(ランダムフォレスト回帰)という分類モデルを開発した。モデルはレガシーシステム(Azure ML Studio)とビッグデータシステム(Oracle CloudとDatabricks)で構築および実行される。さらに,モデルの精度について述べる。

関連論文リスト

Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data [49.73114504515852]
各世代の合成データによって元の実データを置き換えることは、モデル崩壊の傾向にあることを示す。生成した実データと連続する合成データの蓄積は,モデル崩壊を回避することを実証する。
論文参考訳（メタデータ） (2024-04-01T18:31:24Z)
Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文参考訳（メタデータ） (2024-02-04T06:55:55Z)
Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文参考訳（メタデータ） (2023-10-08T08:09:51Z)
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文参考訳（メタデータ） (2021-09-24T17:40:08Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
論文参考訳（メタデータ） (2021-05-18T07:26:09Z)
Comparison of ARIMA, ETS, NNAR and hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy [0.0]
コロナウイルス(Coronavirus disease, COVID-19)は、2019年12月に中国の武漢で発生した新型コロナウイルス感染症である。本稿では,イタリアにおけるCOVID-19第2波の拡散を予測するための時系列予測手法について分析した。
論文参考訳（メタデータ） (2020-10-22T11:29:24Z)
A Deep Learning Framework for COVID Outbreak Prediction [4.922572106422333]
本稿では、新型コロナウイルスの流行を予測するためのディープラーニングモデルの比較分析を提案する。 Attention-Long Short Term Memory (AttentionLSTM) と呼ばれる新しいアテンションベースエンコーダデコーダモデルを提案する。提案手法は既存手法と比較して予測精度が優れている。
論文参考訳（メタデータ） (2020-09-30T12:48:38Z)
PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
論文参考訳（メタデータ） (2020-06-17T17:59:55Z)
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)
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)

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。