論文の概要: Inverse problem for parameters identification in a modified SIRD epidemic model using ensemble neural networks

• arxiv url: http://arxiv.org/abs/2203.00407v3
• Date: Wed, 9 Aug 2023 10:10:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 18:40:05.167895
• Title: Inverse problem for parameters identification in a modified SIRD epidemic model using ensemble neural networks
• Title（参考訳）: アンサンブルニューラルネットワークを用いた修正SIRD流行モデルにおけるパラメータ同定の逆問題
• Authors: Marian Petrica, Ionel Popescu
• Abstract要約: 主な目標は、ルーマニアにおける新型コロナウイルスの進化の分析にこのアプローチを適用することであった。 本稿では,死者を別カテゴリとみなすSIRDモデルのパラメータ同定手法を提案する。 死亡者数について10日から45日間の異なる期間の予測について説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this paper, we propose a parameter identification methodology of the SIRD model, an extension of the classical SIR model, that considers the deceased as a separate category. In addition, our model includes one parameter which is the ratio between the real total number of infected and the number of infected that were documented in the official statistics. Due to many factors, like governmental decisions, several variants circulating, opening and closing of schools, the typical assumption that the parameters of the model stay constant for long periods of time is not realistic. Thus our objective is to create a method which works for short periods of time. In this scope, we approach the estimation relying on the previous 7 days of data and then use the identified parameters to make predictions. To perform the estimation of the parameters we propose the average of an ensemble of neural networks. Each neural network is constructed based on a database built by solving the SIRD for 7 days, with random parameters. In this way, the networks learn the parameters from the solution of the SIRD model. Lastly we use the ensemble to get estimates of the parameters from the real data of Covid19 in Romania and then we illustrate the predictions for different periods of time, from 10 up to 45 days, for the number of deaths. The main goal was to apply this approach on the analysis of COVID-19 evolution in Romania, but this was also exemplified on other countries like Hungary, Czech Republic and Poland with similar results. The results are backed by a theorem which guarantees that we can recover the parameters of the model from the reported data. We believe this methodology can be used as a general tool for dealing with short term predictions of infectious diseases or in other compartmental models.
• Abstract（参考訳）: 本稿では,古典的SIRモデルの拡張であるSIRDモデルのパラメータ同定手法を提案する。 さらに,本モデルでは,実際の感染者数と公式統計に記載された感染者数との比率であるパラメータを1つ含んでいる。 政府の決定など多くの要因により、学校を循環、開校、閉校するいくつかの変種があるため、モデルのパラメータが長期間一定であるという典型的な仮定は現実的ではない。 このようにして,短時間で機能する手法を創り出すことが目的である。 この範囲では、過去の7日間のデータに依存する推定にアプローチし、識別されたパラメータを用いて予測を行う。 パラメータの推定を行うために,ニューラルネットワークのアンサンブルの平均を提案する。 各ニューラルネットワークは、7日間sirdをランダムパラメータで解いて構築したデータベースに基づいて構築される。 このようにして、ネットワークはSIRDモデルの解からパラメータを学習する。 最後に、ルーマニアのCovid19の実際のデータからパラメータを推定するためにこのアンサンブルを使用し、それから10日から45日間の異なる期間の予測を、死者数のために説明します。 主な目的はルーマニアにおけるcovid-19の進化の分析にこのアプローチを適用することであったが、ハンガリー、チェコ、ポーランドなどでも同様の結果が得られた。 結果は、報告されたデータからモデルのパラメータを復元できることを保証する定理によって裏付けられている。 この方法論は、感染症の短期的な予測や、他の区画モデルを扱う一般的なツールとして使用できると信じています。

関連論文リスト

• Estimating the Distribution of Parameters in Differential Equations with Repeated Cross-Sectional Data [5.79648227233365]
  経済、政治、生物学において、時系列における観測データポイントは独立して取得されることが多い。 微分方程式におけるパラメータ推定の伝統的な手法は、パラメータ分布の形状を推定する際の限界がある。 本稿では,新しい手法,推定手法を提案する。 EPD – データ情報を失うことなくパラメータの正確な分布を提供する。
  論文  参考訳（メタデータ） (2024-04-23T10:01:43Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
  今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。 様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
  論文  参考訳（メタデータ） (2020-07-31T23:37:38Z)
• A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania [10.760851506126105]
  我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。 本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。 ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
  論文  参考訳（メタデータ） (2020-06-23T12:00:04Z)
• PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
  将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。 我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。 過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-06-17T17:59:55Z)

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。