論文の概要: Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural Networks using Mobility and Web Search Data

• arxiv url: http://arxiv.org/abs/2110.11584v1
• Date: Fri, 22 Oct 2021 04:24:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 15:32:17.677383
• Title: Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural Networks using Mobility and Web Search Data
• Title（参考訳）: モビリティとweb検索データを用いたソーシャルアウェアネスに基づくグラフニューラルネットによる多波新型コロナウイルスの予測
• Authors: J. Xue, T. Yabe, K. Tsubouchi, J. Ma, S. V. Ukkusuri
• Abstract要約: 移動データを用いた第1発生波を予測する既存の予測モデルは、マルチウェーブ予測には適用できない可能性がある。 本稿では,症状関連Web検索周波数の減衰を考慮したソーシャルアウェアネスに基づくグラフニューラルネットワーク(SAB-GNN)を提案する。 我々は,2020年4月から2021年5月までのモビリティとWeb検索データを用いて,東京地域での今後のパンデミックの発生を予測するためのモデルを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recurring outbreaks of COVID-19 have posed enduring effects on global society, which calls for a predictor of pandemic waves using various data with early availability. Existing prediction models that forecast the first outbreak wave using mobility data may not be applicable to the multiwave prediction, because the evidence in the USA and Japan has shown that mobility patterns across different waves exhibit varying relationships with fluctuations in infection cases. Therefore, to predict the multiwave pandemic, we propose a Social Awareness-Based Graph Neural Network (SAB-GNN) that considers the decay of symptom-related web search frequency to capture the changes in public awareness across multiple waves. SAB-GNN combines GNN and LSTM to model the complex relationships among urban districts, inter-district mobility patterns, web search history, and future COVID-19 infections. We train our model to predict future pandemic outbreaks in the Tokyo area using its mobility and web search data from April 2020 to May 2021 across four pandemic waves collected by _ANONYMOUS_COMPANY_ under strict privacy protection rules. Results show our model outperforms other baselines including ST-GNN and MPNN+LSTM. Though our model is not computationally expensive (only 3 layers and 10 hidden neurons), the proposed model enables public agencies to anticipate and prepare for future pandemic outbreaks.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の再発は世界社会に持続的な影響をもたらしており、早期に利用可能なさまざまなデータを用いてパンデミックの波の予測を求める。 日本と米国では, 異なる波をまたいだ移動パターンが感染事例の変動と異なる関係を示すことが示されているため, 移動データを用いた第1次流行波の予測モデルでは, マルチウェーブ予測には適用できない可能性がある。 そこで本研究では,多波のパンデミックを予測するために,症状関連web検索頻度の減衰を考慮したsab-gnn(social awareness-based graph neural network)を提案する。 SAB-GNNはGNNとLSTMを組み合わせて、都市部の複雑な関係、地域間移動パターン、Web検索履歴、将来の新型コロナウイルス感染症をモデル化している。 我々は,2020年4月から2021年5月までの移動性およびweb検索データを用いて,厳格なプライバシー保護規則の下で_anonymous_company_が収集した4つのパンデミック波を用いて,東京圏における将来的なパンデミックの予測を訓練する。 その結果,本モデルはST-GNNやMPNN+LSTMなど,他のベースラインよりも優れていた。 我々のモデルは計算に高価ではないが(3層と10個の隠れニューロンのみ)、提案モデルは公共機関が将来のパンデミックの発生を予測し、準備できるようにする。

関連論文リスト

• Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
  最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。 HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。 HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
  論文  参考訳（メタデータ） (2024-11-26T12:29:45Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Predicting COVID-19 Spread from Large-Scale Mobility Data [22.55034017418318]
  将来のケースナンバーのほぼリアルタイム予測には、人間の移動性がある。 本稿では,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。 私たちの研究は、通信データから新型コロナウイルスの感染拡大を予測する最初のものです。
  論文  参考訳（メタデータ） (2021-06-01T10:05:02Z)
• 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)
• Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
  新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。 疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。 機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
  論文  参考訳（メタデータ） (2021-02-03T11:54:24Z)
• Deep learning via LSTM models for COVID-19 infection forecasting in India [13.163271874039191]
  卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T09:19:10Z)
• 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)
• 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)
• Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
  半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。 我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
  論文  参考訳（メタデータ） (2020-10-10T19:33:53Z)
• Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
  人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。 我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2020-09-10T13:23:52Z)
• 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)

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。