論文の概要: Fine-Grained Population Mobility Data-Based Community-Level COVID-19
Prediction Model
- arxiv url: http://arxiv.org/abs/2202.06257v1
- Date: Sun, 13 Feb 2022 08:40:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 17:12:41.877482
- Title: Fine-Grained Population Mobility Data-Based Community-Level COVID-19
Prediction Model
- Title(参考訳): 微粒化人口移動データに基づくコミュニティレベルCOVID-19予測モデル
- Authors: Pengyue Jia, Ling Chen, Dandan Lyu
- Abstract要約: 本研究では,2つの地域レベルのデータを利用した人口移動データモデル(FGC-COVID)を提案する。
CBGの埋め込みをコミュニティレベルに集約する空間重み付けアグリゲーションモジュールを導入する。
我々のモデルは、コミュニティレベルの新型コロナウイルスの予測において、既存の予測モデルよりも優れています。
- 参考スコア(独自算出の注目度): 5.548510262756311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the number of infections in the anti-epidemic process is extremely
beneficial to the government in developing anti-epidemic strategies, especially
in fine-grained geographic units. Previous works focus on low spatial
resolution prediction, e.g., county-level, and preprocess data to the same
geographic level, which loses some useful information. In this paper, we
propose a fine-grained population mobility data-based model (FGC-COVID)
utilizing data of two geographic levels for community-level COVID-19
prediction. We use the population mobility data between Census Block Groups
(CBGs), which is a finer-grained geographic level than community, to build the
graph and capture the dependencies between CBGs using graph neural networks
(GNNs). To mine as finer-grained patterns as possible for prediction, a spatial
weighted aggregation module is introduced to aggregate the embeddings of CBGs
to community level based on their geographic affiliation and spatial
autocorrelation. Extensive experiments on 300 days LA city COVID-19 data
indicate our model outperforms existing forecasting models on community-level
COVID-19 prediction.
- Abstract(参考訳): 抗疫プロセスにおける感染数を予測することは、特に微粒な地理的単位における抗疫戦略の開発において、政府にとって極めて有益である。
以前の研究は、例えば郡レベルや前処理データを同じ地理的なレベルでの低空間分解能予測に重点を置いており、いくつかの有用な情報が失われている。
本稿では,2つの地域レベルのデータを利用した人口移動データモデル(FGC-COVID)を提案する。
我々は,地域よりも詳細な地理レベルであるCensus Block Groups (CBGs) 間の人口移動データを用いて,グラフを構築し,グラフニューラルネットワーク (GNNs) を用いてCBG間の依存関係をキャプチャする。
予測のためにできるだけ細かいパターンをマイニングするため、空間的重み付け集約モジュールを導入し、その地理的親和性と空間的自己相関に基づいて、cbgの埋め込みをコミュニティレベルに集約する。
300日間のLA市の新型コロナウイルスに関する大規模な実験は、我々のモデルがコミュニティレベルのCOVID-19予測で既存の予測モデルを上回っていることを示している。
関連論文リスト
- Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳(メタデータ) (2023-06-05T03:36:01Z) - 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) - Attention-based Contextual Multi-View Graph Convolutional Networks for
Short-term Population Prediction [0.0]
我々は、意図に基づくコンテキストグラフ畳み込みネットワーク(ACMV-GCNViews)と呼ばれる新しいディープラーニングモデルを提案する。
まず、都市環境情報に基づいて複数のグラフを構築し、それからACM-GCNViewsはグラフネットワークを用いた様々なビューから空間相関をキャプチャする。
携帯電話で収集した人口データを用いて,提案手法がベースライン法より優れていることを示す。
論文 参考訳(メタデータ) (2022-03-01T14:37:04Z) - Improving COVID-19 Forecasting using eXogenous Variables [7.245000255986182]
米国におけるパンデミック・コースについて、国家レベルと国家レベルのデータを用いて検討する。
本稿では,補助変数を組み込んだ時系列予測手法を提案し,比較する。
論文 参考訳(メタデータ) (2021-07-20T03:26:18Z) - 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) - An Adversarial Human Pose Estimation Network Injected with Graph
Structure [75.08618278188209]
本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。
ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
論文 参考訳(メタデータ) (2021-03-29T12:07:08Z) - 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) - condLSTM-Q: A novel deep learning model for predicting Covid-19
mortality in fine geographical Scale [0.0]
CondLSTM-Qは2週間の予測ウィンドウで、郡レベルでのCOVID-19死亡率を定量的に予測するモデルである。
この微細な地理的スケールは、公開可能な予測モデルでは珍しいが有用な特徴である。
論文 参考訳(メタデータ) (2020-11-23T16:14:48Z) - Magnify Your Population: Statistical Downscaling to Augment the Spatial
Resolution of Socioeconomic Census Data [48.7576911714538]
重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。
選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。
本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
論文 参考訳(メタデータ) (2020-06-23T16:52:18Z)
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。