論文の概要: Random Forest of Epidemiological Models for Influenza Forecasting
- arxiv url: http://arxiv.org/abs/2206.08967v1
- Date: Fri, 17 Jun 2022 18:47:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 20:41:54.333104
- Title: Random Forest of Epidemiological Models for Influenza Forecasting
- Title（参考訳）: インフルエンザ予測のための疫学モデルによるランダム森林
- Authors: Majd Al Aawar, Ajitesh Srivastava
- Abstract要約: 本稿では,ベースラインモデルSIkJalphaの個々の予測子を利用して,その性能を向上させるツリーアンサンブルモデルの設計を提案する。
我々は、ランダムフォレストに基づくアプローチが、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することを実証した。
- 参考スコア（独自算出の注目度）: 7.050453841068465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting the hospitalizations caused by the Influenza virus is vital for
public health planning so that hospitals can be better prepared for an influx
of patients. Many forecasting methods have been used in real-time during the
Influenza seasons and submitted to the CDC for public communication. The
forecasting models range from mechanistic models, and auto-regression models to
machine learning models. We hypothesize that we can improve forecasting by
using multiple mechanistic models to produce potential trajectories and use
machine learning to learn how to combine those trajectories into an improved
forecast. We propose a Tree Ensemble model design that utilizes the individual
predictors of our baseline model SIkJalpha to improve its performance. Each
predictor is generated by changing a set of hyper-parameters. We compare our
prospective forecasts deployed for the FluSight challenge (2022) to all the
other submitted approaches. Our approach is fully automated and does not
require any manual tuning. We demonstrate that our Random Forest-based approach
is able to improve upon the forecasts of the individual predictors in terms of
mean absolute error, coverage, and weighted interval score. Our method
outperforms all other models in terms of the mean absolute error and the
weighted interval score based on the mean across all weekly submissions in the
current season (2022). Explainability of the Random Forest (through analysis of
the trees) enables us to gain insights into how it improves upon the individual
predictors.
- Abstract（参考訳）: インフルエンザウイルスによる入院予測は公衆衛生計画に不可欠であり、病院は患者の流入に備えることができる。
多くの予測手法がインフルエンザの季節にリアルタイムに使われ、cdcに公開通信のために提出されている。
予測モデルは、機械モデルから自動回帰モデル、機械学習モデルまで様々である。
複数の機械モデルを用いて潜在的な軌道を生成し、機械学習を用いてこれらの軌道を改良された予測に組み合わせることによって予測を改善することができると仮定する。
本稿では,ベースラインモデルsikjalphaの個々の予測器を用いて,その性能を向上させるツリーアンサンブルモデル設計を提案する。
各予測子は、一連のハイパーパラメータを変更して生成される。
私たちは、flusight challenge (2022)のためにデプロイされた予測を、他のすべての提出されたアプローチと比較します。
私たちのアプローチは完全に自動化され、手作業によるチューニングは不要です。
我々のランダムフォレストに基づくアプローチは、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することができることを示す。
提案手法は, 平均絶対誤差, 重み付き区間スコアにおいて, 現行シーズン(2022年)の全週平均値において, 他モデルよりも優れていた。
ランダムフォレストの説明可能性(木の解析を通して)は、それが個々の予測因子をどのように改善するかについての洞察を得ることができる。
関連論文リスト
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文 参考訳（メタデータ） (2022-04-12T13:30:01Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - 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) - Forecasting COVID-19 daily cases using phone call data [0.0]
本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。
提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
論文 参考訳（メタデータ） (2020-10-05T18:07:07Z) - A framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳（メタデータ） (2020-05-06T16:46:02Z)
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。