論文の概要: Predicting COVID-19 Spread from Large-Scale Mobility Data
- arxiv url: http://arxiv.org/abs/2106.00356v1
- Date: Tue, 1 Jun 2021 10:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 03:38:39.932149
- Title: Predicting COVID-19 Spread from Large-Scale Mobility Data
- Title（参考訳）: 大規模モビリティデータによる新型コロナウイルスの感染拡大予測
- Authors: Amray Schwabe, Joel Persson and Stefan Feuerriegel
- Abstract要約: 将来のケースナンバーのほぼリアルタイム予測には、人間の移動性がある。
本稿では,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。
私たちの研究は、通信データから新型コロナウイルスの感染拡大を予測する最初のものです。
- 参考スコア（独自算出の注目度）: 22.55034017418318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To manage the COVID-19 epidemic effectively, decision-makers in public health
need accurate forecasts of case numbers. A potential near real-time predictor
of future case numbers is human mobility; however, research on the predictive
power of mobility is lacking. To fill this gap, we introduce a novel model for
epidemic forecasting based on mobility data, called mobility marked Hawkes
model. The proposed model consists of three components: (1) A Hawkes process
captures the transmission dynamics of infectious diseases. (2) A mark modulates
the rate of infections, thus accounting for how the reproduction number R
varies across space and time. The mark is modeled using a regularized Poisson
regression based on mobility covariates. (3) A correction procedure
incorporates new cases seeded by people traveling between regions. Our model
was evaluated on the COVID-19 epidemic in Switzerland. Specifically, we used
mobility data from February through April 2020, amounting to approximately 1.5
billion trips. Trip counts were derived from large-scale telecommunication
data, i.e., cell phone pings from the Swisscom network, the largest
telecommunication provider in Switzerland. We compared our model against
various state-of-the-art baselines in terms of out-of-sample root mean squared
error. We found that our model outperformed the baselines by 15.52%. The
improvement was consistently achieved across different forecast horizons
between 5 and 21 days. In addition, we assessed the predictive power of
conventional point of interest data, confirming that telecommunication data is
superior. To the best of our knowledge, our work is the first to predict the
spread of COVID-19 from telecommunication data. Altogether, our work
contributes to previous research by developing a scalable early warning system
for decision-makers in public health tasked with controlling the spread of
infectious diseases.
- Abstract（参考訳）: 新型コロナウイルスの感染を効果的に管理するには、公衆衛生の意思決定者はケースナンバーの正確な予測が必要である。
将来のケースナンバーのほぼリアルタイム予測には、人間の移動力があるが、移動力の予測力は不足している。
このギャップを埋めるために,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。
提案モデルは3つの構成要素から構成される: 1) ホークスプロセスは感染症の伝染動態を捉える。
2) マークは感染率を調節し, 再生数Rが空間や時間によってどのように変化するかを説明する。
このマークはモビリティ共変量に基づく正規化ポアソン回帰を用いてモデル化される。
(3)地域間を旅する人々がシードした新症例を補正する。
われわれのモデルはスイスのCOVID-19流行で評価された。
具体的には、2020年2月から4月までの移動データを用いて、約15億回の旅行を行った。
トリップカウントは、スイス最大の通信事業者であるswisscomネットワークからの大規模な通信データ、すなわち携帯電話のpingに由来する。
サンプル外根平均二乗誤差の観点から,本モデルと最先端のベースラインを比較した。
私たちのモデルはベースラインを15.52%上回りました。
改善は5日から21日の間に異なる予測地平線を越えて一貫して達成された。
また,従来の関心点データの予測能力を評価し,通信データが優れていることを確認した。
我々の知る限りでは、私たちの研究は、通信データから新型コロナウイルスの拡散を予測する最初のものである。
本研究は,感染拡大の抑制に携わる公衆衛生の意思決定者に対して,スケーラブルな早期警戒システムを開発することにより,これまでの研究に寄与する。
関連論文リスト
- A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。
特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
論文 参考訳（メタデータ） (2022-10-08T03:43:51Z) - 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) - 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) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
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。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - 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) - Inter-Series Attention Model for COVID-19 Forecasting [23.58411106491221]
我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。
新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
論文 参考訳（メタデータ） (2020-10-25T00:11:49Z) - 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) - 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。