Fugu-MT 論文翻訳(概要): On automatic calibration of the SIRD epidemiological model for COVID-19 data in Poland

論文の概要: On automatic calibration of the SIRD epidemiological model for COVID-19 data in Poland

arxiv url: http://arxiv.org/abs/2204.12346v1
Date: Tue, 26 Apr 2022 14:35:57 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 13:50:51.165517
Title: On automatic calibration of the SIRD epidemiological model for COVID-19 data in Poland
Title（参考訳）: ポーランドにおけるCOVID-19データのSIRD疫学モデルの自動校正について
Authors: Piotr B{\l}aszczyk, Konrad Klimczak, Adam Mahdi, Piotr Oprocha, Pawe{\l} Potorski, Pawe{\l} Przyby{\l}owicz, Micha{\l} Sobieraj
Abstract要約: 修正SIRDモデルの疫学的パラメータを推定するための新しい手法を提案する。主に死者数の予測に重点を置いている。手順はポーランドの報告されたデータでテストされた。
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: We propose a novel methodology for estimating the epidemiological parameters of a modified SIRD model (acronym of Susceptible, Infected, Recovered and Deceased individuals) and perform a short-term forecast of SARS-CoV-2 virus spread. We mainly focus on forecasting number of deceased. The procedure was tested on reported data for Poland. For some short-time intervals we performed numerical test investigating stability of parameter estimates in the proposed approach. Numerical experiments confirm the effectiveness of short-term forecasts (up to 2 weeks) and stability of the method. To improve their performance (i.e. computation time) GPU architecture was used in computations.
Abstract（参考訳）: 修正SIRD(Susceptible, Infected, Recovered and Deceaseed individuals)モデルの疫学的パラメータを推定し,SARS-CoV-2ウイルス感染の短期予測を行うための新しい手法を提案する。主に死者数の予測に重点を置いている。手順はポーランドの報告されたデータでテストされた。提案手法では,短い時間間隔でパラメータ推定の安定性を調べる数値実験を行った。数値実験により,短期予測(最大2週間)の有効性と手法の安定性が確認された。性能向上(すなわち計算時間)のために、GPUアーキテクチャは計算に使われた。

関連論文リスト

A Kalman Filter Based Framework for Monitoring the Performance of In-Hospital Mortality Prediction Models Over Time [3.5508427067904864]
サンプルの総数と、異なる期間における正のサンプル数に応じて、外挿分散を調整したカルマンフィルタに基づくフレームワークを提案する。この予測モデルは, 疾患の進展, 治療改善, 手術計画の変更などの影響を受けない。
論文参考訳（メタデータ） (2024-02-09T22:27:29Z)
Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文参考訳（メタデータ） (2023-12-05T21:34:59Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
SIMLR: Machine Learning inside the SIR model for COVID-19 Forecasting [12.443598783888786]
SIMLRモデルは、機械学習(ML)を疫学的SIRモデルに組み込む。各地域について、SIMLRは政府レベルで実施された政策の変更を追跡する。 1週間から4週間の新規感染者数を予測するためのSIRモデルの時間変化パラメータを推定する。
論文参考訳（メタデータ） (2021-06-03T04:22:43Z)
Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
論文参考訳（メタデータ） (2021-05-05T14:56:27Z)
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)
Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文参考訳（メタデータ） (2020-12-24T05:19:03Z)
Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文参考訳（メタデータ） (2020-12-17T21:10:10Z)
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)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。