論文の概要: CoviHawkes: Temporal Point Process and Deep Learning based Covid-19
forecasting for India
- arxiv url: http://arxiv.org/abs/2109.06056v1
- Date: Wed, 8 Sep 2021 13:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-19 13:44:23.978619
- Title: CoviHawkes: Temporal Point Process and Deep Learning based Covid-19
forecasting for India
- Title（参考訳）: CoviHawkes:インドにおける時間的ポイントプロセスとディープラーニングベースのCovid-19予測
- Authors: Ambedkar Dukkipati, Tony Gracious, Shubham Gupta
- Abstract要約: 本稿は、現在流行している地域に焦点を当てたロックダウンであるローカルのロックダウンを支持する。
本研究では,インドにおけるCovid-19の毎日のケース数を予測する機械学習ツールCoviHawkesを提案する。
- 参考スコア（独自算出の注目度）: 17.226088970705774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lockdowns are one of the most effective measures for containing the spread of
a pandemic. Unfortunately, they involve a heavy financial and emotional toll on
the population that often outlasts the lockdown itself. This article argues in
favor of ``local'' lockdowns, which are lockdowns focused on regions currently
experiencing an outbreak. We propose a machine learning tool called CoviHawkes
based on temporal point processes, called CoviHawkes that predicts the daily
case counts for Covid-19 in India at the national, state, and district levels.
Our short-term predictions ($<30$ days) may be helpful for policymakers in
identifying regions where a local lockdown must be proactively imposed to
arrest the spread of the virus. Our long-term predictions (up to a few months)
simulate the progression of the pandemic under various lockdown conditions,
thereby providing a noisy indicator for a potential third wave of cases in
India. Extensive experimental results validate the performance of our tool at
all levels.
- Abstract（参考訳）: ロックダウンは、パンデミックの広がりを抑えるための最も効果的な対策の1つだ。
残念なことに、人口に対する財政的、感情的な負担が大きすぎるため、ロックダウン自体を先延ばしにすることが多い。
この記事では、現在流行している地域に焦点を当てたロックダウンである‘ローカル’ロックダウンを支持する。
本研究では,インドにおけるCovid-19の日次ケース数を全国,州,地方レベルで予測する,CoviHawkesという,時間的ポイントプロセスに基づく機械学習ツールを提案する。
短期的な予想(30ドル)は、ウイルスの感染拡大を防ぐために局所的なロックダウンを積極的に課さなければならない地域を特定する政策立案者にとって役立つかもしれない。
当社の長期予測(最大数カ月)は、さまざまなロックダウン条件下でのパンデミックの進行をシミュレートし、インドにおける第3波の可能性を示唆している。
総合的な実験結果から,ツールの性能をあらゆるレベルで検証した。
関連論文リスト
- 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) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - 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) - Projections for COVID-19 spread in India and its worst affected five
states using the Modified SEIRD and LSTM models [3.0507203596180488]
本論文は、インドにおける新型コロナウイルス感染を予測するための修正SEIRD(Susceptible-Exposed-Incovered-Recovered-Deceased)モデルを提案する。
修正SEIRDモデルから得られた投射もLSTMによる30日間の投射と比較した。
この論文で示された結果は、インドに広がる新型コロナウイルス(COVID-19)を抑えるための今後の政策決定のためのビーコンとして機能する。
論文 参考訳（メタデータ） (2020-09-07T07:38:10Z) - Analysis of COVID-19 cases in India through Machine Learning: A Study of
Intervention [3.4483987421251516]
新型コロナウイルス(COVID-19)のパンデミックと闘うため、世界は予防接種、プラズマ療法、予防接種、疫学的な介入をほとんど選択肢がない。
本研究では,従来のSIRモデルにおける疫学的介入を取り入れた介入を伴うSIRモデルを提案する。
我々は、2020年9月30日までに、インド全土とインドの一部州で、アクティブで回復した新型コロナウイルスの感染者の予測数を提示するとともに、予測されたケースの95%と99%の信頼区間を推定した。
論文 参考訳（メタデータ） (2020-08-17T05:45:50Z) - Surveillance of COVID-19 Pandemic using Hidden Markov Model [0.0]
隠れマルコフモデルを用いて、拡散の程度をよりよく評価することを検討する。
私たちが分析したデータは、インドのシナリオに関するものです。
論文 参考訳（メタデータ） (2020-08-14T05:45:34Z) - 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) - A Deep Q-learning/genetic Algorithms Based Novel Methodology For
Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。
報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。
どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
論文 参考訳（メタデータ） (2020-05-15T17:17:45Z) - Flattening the curves: on-off lock-down strategies for COVID-19 with an
application to Brazi [0.0]
この研究は、新型コロナウイルス(COVID-19)が最も研究の浅い国、ブラジルにどのように影響するかをよりよく理解しようと試みている。
ブラジルのいくつかの州はロックダウン状態です。
この研究は、そのような終了がウイルスの局所的な進化に与える影響を考察する。
論文 参考訳（メタデータ） (2020-04-15T07:37:08Z) - A kinetic model for qualitative understanding and analysis of the effect
of complete lockdown imposed by India for controlling the COVID-19 disease
spread by the SARS-CoV-2 virus [0.0]
現在進行中のSARS-CoV-2ウイルスによる世界的なパンデミックは、世界中に波及している。
インド連邦政府は翌日から全土が完全に封鎖されたという前例のない発表を行った。
本研究は、インド領の96%以上をカバーする運動モデルを用いて、この決定の意味を科学的に分析することを目的とする。
論文 参考訳（メタデータ） (2020-04-12T19:34:12Z) - A machine learning methodology for real-time forecasting of the
2019-2020 COVID-19 outbreak using Internet searches, news alerts, and
estimates from mechanistic models [53.900779250589814]
提案手法は,2日前の安定かつ正確な予測を行うことができる。
我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
論文 参考訳（メタデータ） (2020-04-08T14:39:32Z)
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。