論文の概要: Integrating LSTMs and GNNs for COVID-19 Forecasting

• arxiv url: http://arxiv.org/abs/2108.10052v1
• Date: Wed, 14 Jul 2021 14:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 07:14:07.497223
• Title: Integrating LSTMs and GNNs for COVID-19 Forecasting
• Title（参考訳）: 新型コロナウイルス予測のためのLSTMとGNNの統合
• Authors: Nathan Sesti and Juan Jose Garau-Luis and Edward Crawley and Bruce Cameron
• Abstract要約: 我々は、過去472日間に37カ国のデータに基づいて、毎日の新型コロナウイルスの新しいケース予測モデルを構築した。 我々は,平均絶対スケール誤差(MASE)に基づく最先端グラフ時系列モデルと比較して,優れた性能を示す。 この研究は政策決定に重要な応用をもたらし、パンデミックの資源管理の可能性を分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The spread of COVID-19 has coincided with the rise of Graph Neural Networks (GNNs), leading to several studies proposing their use to better forecast the evolution of the pandemic. Many such models also include Long Short Term Memory (LSTM) networks, a common tool for time series forecasting. In this work, we further investigate the integration of these two methods by implementing GNNs within the gates of an LSTM and exploiting spatial information. In addition, we introduce a skip connection which proves critical to jointly capture the spatial and temporal patterns in the data. We validate our daily COVID-19 new cases forecast model on data of 37 European nations for the last 472 days and show superior performance compared to state-of-the-art graph time series models based on mean absolute scaled error (MASE). This area of research has important applications to policy-making and we analyze its potential for pandemic resource control.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大は、グラフニューラルネットワーク(GNN)の台頭と一致しており、パンデミックの進化をより正確に予測するためのいくつかの研究が提案されている。 このようなモデルの多くは、時系列予測の共通ツールであるlong short term memory (lstm)ネットワークも含む。 本研究では,LSTMのゲート内にGNNを実装し,空間情報を活用することにより,これらの2つの手法の統合をさらに検討する。 さらに,データの空間的パターンと時間的パターンを協調的に捉えることが重要であることを示すスキップ接続を導入する。 我々は,過去472日間の欧州37カ国のデータに基づく1日当たりの新規感染者予測モデルを検証するとともに,平均絶対スケールエラー(mase)に基づく最先端のグラフ時系列モデルと比較して優れたパフォーマンスを示す。 この領域の研究は政策決定に重要な応用をもたらし、パンデミック資源管理の可能性を分析する。

関連論文リスト

• SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting [19.111041921060366]
  本稿では、複雑な空間的時間的相関を捉えるために、スケーラブルな適応グラフ拡散予測ネットワーク(SAGDFN)を提案する。 SAGDFNは、空間相関に関する事前の知識を必要とせず、数千のノードのデータセットにスケーラブルである。 207ノードの1つの実世界のデータセットで、最先端のベースラインと同等のパフォーマンスを達成し、2000ノードの3つの実世界のデータセットで、最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2024-06-18T05:19:51Z)
• MSGNN: Multi-scale Spatio-temporal Graph Neural Network for Epidemic Forecasting [4.635793210136456]
  感染症の予測は重要な焦点であり、疫病の予防に不可欠であることが証明されている。 グラフニューラルネットワーク(GNN)の深さ拡大による受容場の拡大 我々は、革新的なマルチスケールビューに基づいて、マルチスケール時空間グラフニューラルネットワーク(MSGNN)を考案する。
  論文  参考訳（メタデータ） (2023-08-30T08:21:56Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [70.06795936398636]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• A data filling methodology for time series based on CNN and (Bi)LSTM neural networks [0.0]
  イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。 提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
  論文  参考訳（メタデータ） (2022-04-21T09:40:30Z)
• 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)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。