論文の概要: Improving COVID-19 Forecasting using eXogenous Variables
- arxiv url: http://arxiv.org/abs/2107.10397v1
- Date: Tue, 20 Jul 2021 03:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:24:31.535241
- Title: Improving COVID-19 Forecasting using eXogenous Variables
- Title（参考訳）: eXogenous Variables を用いた COVID-19 予測の改善
- Authors: Mohammadhossein Toutiaee, Xiaochuan Li, Yogesh Chaudhari, Shophine
Sivaraja, Aishwarya Venkataraj, Indrajeet Javeri, Yuan Ke, Ismailcem Arpinar,
Nicole Lazar, John Miller
- Abstract要約: 米国におけるパンデミック・コースについて、国家レベルと国家レベルのデータを用いて検討する。
本稿では,補助変数を組み込んだ時系列予測手法を提案し,比較する。
- 参考スコア（独自算出の注目度）: 7.245000255986182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we study the pandemic course in the United States by
considering national and state levels data. We propose and compare multiple
time-series prediction techniques which incorporate auxiliary variables. One
type of approach is based on spatio-temporal graph neural networks which
forecast the pandemic course by utilizing a hybrid deep learning architecture
and human mobility data. Nodes in this graph represent the state-level deaths
due to COVID-19, edges represent the human mobility trend and temporal edges
correspond to node attributes across time. The second approach is based on a
statistical technique for COVID-19 mortality prediction in the United States
that uses the SARIMA model and eXogenous variables. We evaluate these
techniques on both state and national levels COVID-19 data in the United States
and claim that the SARIMA and MCP models generated forecast values by the
eXogenous variables can enrich the underlying model to capture complexity in
respectively national and state levels data. We demonstrate significant
enhancement in the forecasting accuracy for a COVID-19 dataset, with a maximum
improvement in forecasting accuracy by 64.58% and 59.18% (on average) over the
GCN-LSTM model in the national level data, and 58.79% and 52.40% (on average)
over the GCN-LSTM model in the state level data. Additionally, our proposed
model outperforms a parallel study (AUG-NN) by 27.35% improvement of accuracy
on average.
- Abstract（参考訳）: 本研究では,米国におけるパンデミックの実態を全国レベルと州レベルのデータを用いて調査する。
補助変数を含む複数の時系列予測手法を提案し,比較する。
1つのアプローチは、ハイブリッドディープラーニングアーキテクチャと人間の移動データを利用してパンデミックコースを予測する時空間グラフニューラルネットワークに基づいている。
このグラフのノードは、COVID-19による国家レベルの死亡を表し、エッジは人間の移動傾向を表し、一時エッジは時間にわたってノード属性に対応する。
第2のアプローチは、SARIMAモデルとeXogenous variablesを使用する米国における新型コロナウイルス死亡率予測の統計技術に基づく。
これらの手法を米国における国家レベルと国家レベルの両方で評価し、eXogenous変数によって生成されたSARIMAモデルとMSPモデルが、それぞれの国家レベルと国家レベルのデータの複雑さを捉えるために基礎となるモデルを強化できると主張している。
我々は、国家レベルでのGCN-LSTMモデルよりも64.58%、59.18%(平均)の予測精度が最大で、州レベルでのGCN-LSTMモデルよりも58.79%、52.40%(平均)の予測精度が大幅に向上することを示した。
さらに,提案手法は,平均27.35%の精度向上率で並列研究(aug-nn)を上回っている。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - An Interpretable Hybrid Predictive Model of COVID-19 Cases using
Autoregressive Model and LSTM [3.7555792840171787]
本稿では,自己回帰モデル(AR)の解釈可能性と,長期記憶ニューラルネットワーク(LSTM)の予測能力が結合する新しいハイブリッドモデルを提案する。
我々の研究は、効率的かつ解釈可能なデータ駆動モデルを構築するための、新しい、そして有望な方向性を提供する。
論文 参考訳（メタデータ） (2022-11-14T17:55:43Z) - 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) - 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) - 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) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z) - COVID-19 forecasting based on an improved interior search algorithm and
multi-layer feed forward neural network [0.0]
今後数日で確認された新型コロナウイルスの症例を分析し、予測する新たな予測モデルが提示される。
ISACL-MFNNモデルは、カオス学習(CL)戦略に基づく改良された内部探索アルゴリズム(ISA)を多層フィードフォワードニューラルネットワーク(MFNN)に統合する。
提案されたモデルは最も影響の大きい国(米国、イタリア、スペイン)で調査されている。
論文 参考訳（メタデータ） (2020-04-06T12:08:10Z)
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。