論文の概要: Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks
- arxiv url: http://arxiv.org/abs/2105.02752v1
- Date: Thu, 6 May 2021 15:24:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 13:13:08.439951
- Title: Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks
- Title（参考訳）: 時空間畳み込み型ニューラルネットワークを用いたcovid-19の空間的進化のモデル化
- Authors: M\'ario Cardoso, Andr\'e Cavalheiro, Alexandre Borges, Ana F. Duarte,
Am\'ilcar Soares, Maria Jo\~ao Pereira, Nuno J. Nunes, Leonardo Azevedo,
Arlindo L. Oliveira
- Abstract要約: ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
- 参考スコア（独自算出の注目度）: 48.7576911714538
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Europe was hit hard by the COVID-19 pandemic and Portugal was one of the most
affected countries, having suffered three waves in the first twelve months.
Approximately between Jan 19th and Feb 5th 2021 Portugal was the country in the
world with the largest incidence rate, with 14-days incidence rates per 100,000
inhabitants in excess of 1000. Despite its importance, accurate prediction of
the geospatial evolution of COVID-19 remains a challenge, since existing
analytical methods fail to capture the complex dynamics that result from both
the contagion within a region and the spreading of the infection from infected
neighboring regions.
We use a previously developed methodology and official municipality level
data from the Portuguese Directorate-General for Health (DGS), relative to the
first twelve months of the pandemic, to compute an estimate of the incidence
rate in each location of mainland Portugal. The resulting sequence of incidence
rate maps was then used as a gold standard to test the effectiveness of
different approaches in the prediction of the spatial-temporal evolution of the
incidence rate. Four different methods were tested: a simple cell level
autoregressive moving average (ARMA) model, a cell level vector autoregressive
(VAR) model, a municipality-by-municipality compartmental SIRD model followed
by direct block sequential simulation and a convolutional sequence-to-sequence
neural network model based on the STConvS2S architecture. We conclude that the
convolutional sequence-to-sequence neural network is the best performing
method, when predicting the medium-term future incidence rate, using the
available information.
- Abstract（参考訳）: 欧州は新型コロナウイルス(covid-19)のパンデミックで打撃を受け、ポルトガルは最初の12カ月で3つの波に見舞われた。
2021年1月19日から2月5日にかけてのポルトガルは、人口10万人あたり14日間の頻度で1000人を超える国であった。
新型コロナウイルスの地理的進化の正確な予測は依然として困難であり、既存の分析手法では、地域内の感染と感染した近隣地域からの感染拡大の両方に起因する複雑なダイナミクスを捉えることができない。
我々は,パンデミックの最初の12か月と比較して,ポルトガル保健総局(dgs)が以前に開発した方法論と公式自治体レベルデータを用いて,ポルトガル本土の各地域における入所率の推定を行う。
結果として得られた入射率マップはゴールド標準として用いられ、入射率の空間-時間変化の予測における異なるアプローチの有効性を検証した。
簡単なセルレベルの自己回帰移動平均 (ARMA) モデル, セルレベルのベクトル自己回帰 (VAR) モデル, 自治体ごとの包括的SIRDモデル, 直接ブロックシーケンシャルシミュレーション, STConvS2Sアーキテクチャに基づく畳み込みシーケンス列列ニューラルネットワークモデル, の4つの方法が試験された。
本研究は,畳み込みシーケンスからシーケンスへのニューラルネットワークが,利用可能な情報を用いて,中期的な入射率を予測する上で最善の手法であると結論づける。
関連論文リスト
- 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) - 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) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - Meteorological and human mobility data on predicting COVID-19 cases by a
novel hybrid decomposition method with anomaly detection analysis: a case
study in the capitals of Brazil [0.7734726150561086]
ブラジルの首都におけるcovid-19感染者数と人の移動率,気象データとの関係を分析した。
本研究では,Ensemble Empirical Mode Decomposition (EEMD)法とAutoregressive Integrated Average Exogenous inputs (ARIMAX)法を組み合わせた予測手法を提案する。
論文 参考訳（メタデータ） (2021-05-10T02:06:51Z) - COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。
本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文 参考訳（メタデータ） (2021-05-03T04:00:59Z) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Ensemble Forecasting of the Zika Space-TimeSpread with Topological Data
Analysis [13.838100337224075]
ジカウイルスは、主にAedes aegyptiとAedes albopictusの蚊に噛まれて伝染する。
その結果、ジカウイルス感染の頻度は、降水量、高温、人口密度の高い地域では一般的である。
累積ベティ数の概念を導入し,その累積ベティ数をトポロジカル記述子として3つの機械学習モデルに統合する。
論文 参考訳（メタデータ） (2020-09-24T16:42:19Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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)
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。