論文の概要: Exploring the spatiotemporal heterogeneity in the relationship between human mobility and COVID-19 prevalence using dynamic time warping

• arxiv url: http://arxiv.org/abs/2109.13765v1
• Date: Tue, 28 Sep 2021 14:38:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 07:38:50.038117
• Title: Exploring the spatiotemporal heterogeneity in the relationship between human mobility and COVID-19 prevalence using dynamic time warping
• Title（参考訳）: ダイナミック・タイム・ワープを用いた人体移動とCOVID-19流行の時空間不均一性の探索
• Authors: Hoeyun Kwon, Kaitlyn Hom, Mark Rifkin, Beichen Tian, Caglar Koylu
• Abstract要約: これまでの研究では、人間の移動性と新型コロナウイルスのケースの相関が明らかになった。 本研究は、米国郡における人体移動とCOVID-19感染者の関係における異質性を明らかにすることを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding where and when human mobility is associated with disease infection is crucial for implementing location-based health care policy and interventions. Previous studies on COVID-19 have revealed the correlation between human mobility and COVID-19 cases. However, the spatiotemporal heterogeneity of such correlation is not yet fully understood. In this study, we aim to identify the spatiotemporal heterogeneities in the relationship between human mobility flows and COVID-19 cases in U.S. counties. Using anonymous mobile device location data, we compute an aggregate measure of mobility that includes flows within and into each county. We then compare the trends in human mobility and COVID-19 cases of each county using dynamic time warping (DTW). DTW results highlight the time periods and locations (counties) where mobility may have influenced disease transmission. Also, the correlation between human mobility and infections varies substantially across geographic space and time in terms of relationship, strength, and similarity.
• Abstract（参考訳）: 地域ベースの医療政策や介入を実施する上では、人間の移動が病気感染と関連している場所と時期を理解することが重要である。 これまでの研究で、人間の移動性と新型コロナウイルスの相関が明らかになった。 しかし、そのような相関の時空間的不均一性はまだ完全には理解されていない。 本研究では,米国郡における人体移動フローとCOVID-19感染者の関係における時空間的不均一性を明らかにすることを目的とする。 匿名のモバイルデバイス位置情報データを用いて,各郡内および郡内への流れを含む移動度尺度を算出した。 次に、ダイナミック・タイム・ワープ(DTW)を用いて、各郡の移動度とCOVID-19の傾向を比較した。 DTWの結果は、モビリティが病気の感染に影響を与える可能性のある期間と場所(地域)を強調している。 また、ヒトの移動性と感染の相関は、地理的空間や時間によって、関係性、強度、類似性において大きく異なる。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Impact of Indoor Mobility Behavior on the Respiratory Infectious Diseases Transmission Trends [26.806334364100074]
  呼吸器感染症の伝染動態における室内人体移動の重要性が認識されている。 本研究は, 一般シナリオにおける人々の移動行動について考察し, 群集行動, 空間的側面, 停止行動, 時間的側面の2つのカテゴリにまとめる。 本研究では,これらの移動行動が伝染病伝播に与える影響について検討した。
  論文  参考訳（メタデータ） (2023-11-29T02:16:06Z)
• Change of human mobility during COVID-19: A United States case study [0.0]
  新型コロナウイルス(COVID-19)の感染拡大と、遠隔勤務の慣行が組み合わさって、2020年の人間の移動に劇的に影響している。 モビリティフットプリントデータを用いて,米国におけるモビリティ変化を5段階のプロセスで研究する。 新型コロナウイルスのパンデミックに対する我々の分析は、モビリティの変化を包括的に理解している。
  論文  参考訳（メタデータ） (2021-09-18T22:09:39Z)
• 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)
• Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
  重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。 私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。 調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
  論文  参考訳（メタデータ） (2020-07-22T18:02:39Z)
• Twitter, human mobility, and COVID-19 [11.143921916292726]
  われわれは世界中で5億7700万のツイートを分析し、人間の移動性を減らすためのグローバルな協力活動がどのように反映されているかを調べた。 特定の地理的領域における応答性を定量化するために,移動型応答指標(MRI)を提案する。 その結果、Twitterデータから得られたモビリティパターンは、モビリティのダイナミクスを定量的に反映するために修正可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-24T23:21:03Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• COVID-19 Mobility Data Collection of Seoul, South Korea [0.46180371154032895]
  本稿では,韓国の首都ソウルで発生した新型コロナウイルス(COVID-19)による人口1000万人近くの動きを懸念するモビリティデータセットの2つのカテゴリについて述べる。 我々は、地下鉄の乗客数、交通量、現在人口の時間毎のデータを、選択した関心点で算出する。
  論文  参考訳（メタデータ） (2020-06-11T07:04:31Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。