論文の概要: Causal Analysis and Prediction of Human Mobility in the U.S. during the COVID-19 Pandemic

• arxiv url: http://arxiv.org/abs/2111.12272v1
• Date: Wed, 24 Nov 2021 05:15:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 22:01:12.594517
• Title: Causal Analysis and Prediction of Human Mobility in the U.S. during the COVID-19 Pandemic
• Title（参考訳）: COVID-19パンデミック時の米国における人体移動の因果解析と予測
• Authors: Subhrajit Sinha and Meghna Chakraborty
• Abstract要約: 米国における新型コロナウイルスの感染拡大以来、ほとんどの州は旅行制限を強制しており、移動度は大幅に低下している。 本研究は、このパンデミックの間、米国における人間の移動と旅行に最も影響を及ぼす要因を決定・分析する分析枠組みを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Since the increasing outspread of COVID-19 in the U.S., with the highest number of confirmed cases and deaths in the world as of September 2020, most states in the country have enforced travel restrictions resulting in sharp reductions in mobility. However, the overall impact and long-term implications of this crisis to travel and mobility remain uncertain. To this end, this study develops an analytical framework that determines and analyzes the most dominant factors impacting human mobility and travel in the U.S. during this pandemic. In particular, the study uses Granger causality to determine the important predictors influencing daily vehicle miles traveled and utilize linear regularization algorithms, including Ridge and LASSO techniques, to model and predict mobility. State-level time-series data were obtained from various open-access sources for the period starting from March 1, 2020 through June 13, 2020 and the entire data set was divided into two parts for training and testing purposes. The variables selected by Granger causality were used to train the three different reduced order models by ordinary least square regression, Ridge regression, and LASSO regression algorithms. Finally, the prediction accuracy of the developed models was examined on the test data. The results indicate that the factors including the number of new COVID cases, social distancing index, population staying at home, percent of out of county trips, trips to different destinations, socioeconomic status, percent of people working from home, and statewide closure, among others, were the most important factors influencing daily VMT. Also, among all the modeling techniques, Ridge regression provides the most superior performance with the least error, while LASSO regression also performed better than the ordinary least square model.
• Abstract（参考訳）: 米国の新型コロナウイルス(covid-19)流行が拡大し、2020年9月時点で世界で確認された感染者や死者数が最も多かったため、ほとんどの州で旅行制限が施行され、移動手段が大幅に低下した。 しかし、この危機の旅行と移動に対する全体的な影響と長期的な影響は、いまだに不明である。 そこで本研究では,このパンデミックにおいて米国における人体移動と旅行に最も影響を及ぼす要因を決定・分析する分析枠組みを構築した。 特に、この研究はGranger causalityを用いて、毎日の走行距離に影響を与える重要な予測因子を判定し、リッジやLASSOといった線形正規化アルゴリズムを使って移動をモデル化し予測する。 国家レベルの時系列データは、2020年3月1日から6月13日までの様々なオープンアクセスソースから取得され、データセット全体がトレーニングとテストのために2つの部分に分割された。 Granger causalityによって選択された変数は、通常最小二乗回帰、リッジ回帰、LASSO回帰アルゴリズムによって3つの異なる縮小順序モデルを訓練するために使用された。 最後に, 実験データを用いて, 開発したモデルの予測精度を検討した。 その結果, 新規感染者数, ソーシャル・ディスタンシング指数, 居住人口, 郡外旅行の比率, 異なる目的地への旅行, 社会経済的地位, 在宅勤務者の比率, 州全体の閉鎖などの要因が, 日常生活のvmtに影響を与える最も重要な要因であったことがわかった。 また、すべてのモデリング手法の中でリッジ回帰は最も優れた性能を最小誤差で提供し、ラッソ回帰は通常の最小二乗モデルよりも優れた性能を発揮する。

関連論文リスト

• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
  予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。 特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
  論文  参考訳（メタデータ） (2022-10-08T03:43:51Z)
• 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)
• Evaluating shifts in mobility and COVID-19 case rates in U.S. counties: A demonstration of modified treatment policies for causal inference with continuous exposures [0.0]
  本研究では,2020年6月1日から11月14日までの新型コロナウイルス感染率に対する移動度分布の変化の影響について検討した。 10のモビリティ指標が選択され、新型コロナウイルスのケースレートに影響が期待される行動のいくつかの側面を捉えた。
  論文  参考訳（メタデータ） (2021-10-24T21:17:47Z)
• Empirical Quantitative Analysis of COVID-19 Forecasting Models [7.744521846416669]
  新型コロナウイルスは2020年初め以降、国際的に懸念される公衆衛生上の緊急事態となっている。 予測モデルはすべてのシナリオでベストであるように思える。 モデル選択は予測性能を決定する主要な要因である。
  論文  参考訳（メタデータ） (2021-10-01T02:31:56Z)
• Twitter Subjective Well-Being Indicator During COVID-19 Pandemic: A Cross-Country Comparative Study [0.0]
  本研究は、日本とイタリアのTwitterデータ指標を用いて、新型コロナウイルスのパンデミックが主観的幸福感に与える影響を分析した。 全体として、主観的な幸福感はイタリアでは11.7%、日本では8.3%減少し、2020年の最初の9ヶ月は2019年の最後の2ヶ月と比較して減少した。
  論文  参考訳（メタデータ） (2021-01-19T15:51:53Z)
• 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)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• 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 General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
  新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。