論文の概要: A spatiotemporal machine learning approach to forecasting COVID-19
incidence at the county level in the United States
- arxiv url: http://arxiv.org/abs/2109.12094v2
- Date: Mon, 27 Sep 2021 17:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 10:34:46.914948
- Title: A spatiotemporal machine learning approach to forecasting COVID-19
incidence at the county level in the United States
- Title（参考訳）: 米国の郡レベルでのCOVID-19発生予測のための時空間機械学習アプローチ
- Authors: Benjamin Lucas, Behzad Vahedi, and Morteza Karimzadeh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.9822184411723645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With COVID-19 affecting every country globally and changing everyday life,
the ability to forecast the spread of the disease is more important than any
previous epidemic. The conventional methods of disease-spread modeling,
compartmental models, are based on the assumption of spatiotemporal homogeneity
of the spread of the virus, which may cause forecasting to underperform,
especially at high spatial resolutions. In this paper we approach the
forecasting task with an alternative technique - spatiotemporal machine
learning. We present COVID-LSTM, a data-driven model based on a Long Short-term
Memory deep learning architecture for forecasting COVID-19 incidence at the
county-level in the US. We use the weekly number of new positive cases as
temporal input, and hand-engineered spatial features from Facebook movement and
connectedness datasets to capture the spread of the disease in time and space.
COVID-LSTM outperforms the COVID-19 Forecast Hub's Ensemble model
(COVIDhub-ensemble) on our 17-week evaluation period, making it the first model
to be more accurate than the COVIDhub-ensemble over one or more forecast
periods. Over the 4-week forecast horizon, our model is on average 50 cases per
county more accurate than the COVIDhub-ensemble. We highlight that the
underutilization of data-driven forecasting of disease spread prior to COVID-19
is likely due to the lack of sufficient data available for previous diseases,
in addition to the recent advances in machine learning methods for
spatiotemporal forecasting. We discuss the impediments to the wider uptake of
data-driven forecasting, and whether it is likely that more deep learning-based
models will be used in the future.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)が世界のすべての国に影響を及ぼし、日常生活が変わる中で、感染拡大を予測できる能力は、これまでのどの流行よりも重要である。
従来の病原体モデルであるコンパートメンタルモデルは、ウイルスの拡散の時空間的均質性の仮定に基づいており、特に高空間分解能において予測が過小評価される可能性がある。
本稿では,時空間機械学習という代替手法を用いて予測課題にアプローチする。
本稿では,米国内の郡レベルでのCOVID-19の発生を予測するための,長期記憶深層学習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。
我々は、時間的入力として毎週の新規陽性症例数と、Facebookのムーブメントとコネクテッドネスデータセットから手作業による空間的特徴を用いて、疾患の時間的・空間的拡散を捉える。
COVID-LSTMは、私たちの17週間の評価期間において、COVID-19 Forecast HubのEnsembleモデル(COVIDhub-ensemble)よりも優れています。
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。
新型コロナウイルス前のデータ駆動予測の未利用は、時空間予測のための機械学習手法の最近の進歩に加えて、過去の疾患で利用可能な十分なデータが不足しているためと考えられる。
我々は、データ駆動予測のより広範な取り込みに対する障害と、より深い学習ベースのモデルが将来使われる可能性について論じる。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - 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) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - 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) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳（メタデータ） (2020-07-22T13:18:00Z) - 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) - 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。