論文の概要: Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics

• arxiv url: http://arxiv.org/abs/2206.10696v1
• Date: Tue, 21 Jun 2022 19:31:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 10:23:40.609189
• Title: Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics
• Title（参考訳）: epicasting: 流行予測のためのアンサンブルウェーブレットニューラルネットワーク(ewnet)
• Authors: Madhurima Panja, Tanujit Chakraborty, Uttam Kumar, Nan Liu
• Abstract要約: 感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
• 参考スコア（独自算出の注目度）: 2.705025060422369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Infectious diseases remain among the top contributors to human illness and death worldwide, among which many diseases produce epidemic waves of infection. The unavailability of specific drugs and ready-to-use vaccines to prevent most of these epidemics makes the situation worse. These force public health officials, health care providers, and policymakers to rely on early warning systems generated by reliable and accurate forecasts of epidemics. Accurate forecasts of epidemics can assist stakeholders in tailoring countermeasures, such as vaccination campaigns, staff scheduling, and resource allocation, to the situation at hand, which could translate to reductions in the impact of a disease. Unfortunately, most of these past epidemics (e.g., dengue, malaria, hepatitis, influenza, and most recent, Covid-19) exhibit nonlinear and non-stationary characteristics due to their spreading fluctuations based on seasonal-dependent variability and the nature of these epidemics. We analyze a wide variety of epidemic time series datasets using a maximal overlap discrete wavelet transform (MODWT) based autoregressive neural network and call it EWNet. MODWT techniques effectively characterize non-stationary behavior and seasonal dependencies in the epidemic time series and improve the forecasting scheme of the autoregressive neural network in the proposed ensemble wavelet network framework. From a nonlinear time series viewpoint, we explore the asymptotic stationarity of the proposed EWNet model to show the asymptotic behavior of the associated Markov Chain. We also theoretically investigate the effect of learning stability and the choice of hidden neurons in the proposed EWNet model. From a practical perspective, we compare our proposed EWNet framework with several statistical, machine learning, and deep learning models that have been previously used for epidemic forecasting.
• Abstract（参考訳）: 感染性疾患は、世界中でヒトの病気や死亡に最も寄与している疾患のひとつであり、多くの病気が感染の波を発生させている。 特定の薬物や予防接種のためのワクチンが利用できないため、状況は悪化する。 これらにより、公衆衛生当局、医療提供者、政策立案者は、疫病の信頼性と正確な予測によって生じる早期警戒システムに頼らざるを得なくなる。 感染の正確な予測は、予防接種キャンペーン、スタッフのスケジューリング、資源配分などの対策を、病気の影響の低減に繋がる手前の状況に合わせて、利害関係者に支援することができる。 残念なことに、これらの過去の流行(例えば、デング、マラリア、肝炎、インフルエンザ、そして最近のコビッド19)のほとんどは、季節依存性の変動とこれらの流行の性質に基づく変動が広がるため、非線形で非定常的な特徴を示す。 我々は,最大重複離散ウェーブレット変換(MODWT)に基づく自己回帰ニューラルネットワークを用いて,さまざまな流行時系列データセットを分析し,それをEWNetと呼ぶ。 MODWT技術は, 流行時系列における非定常行動と季節依存性を効果的に特徴づけ, 提案したアンサンブルウェーブレットネットワークフレームワークにおける自己回帰ニューラルネットワークの予測スキームを改善する。 非線形時系列の観点から,提案したEWNetモデルの漸近定常性を探索し,関連するマルコフ連鎖の漸近挙動を示す。 また,提案するewnetモデルにおいて,学習の安定性と隠れたニューロンの選択の影響を理論的に検討した。 実用的観点から,提案するewnetフレームワークと,これまでに流行予測に用いられてきた統計モデル,機械学習モデル,深層学習モデルを比較した。

関連論文リスト

• Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
  最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。 HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。 HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
  論文  参考訳（メタデータ） (2024-11-26T12:29:45Z)
• Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph [14.28921518883576]
  持続疾患透過グラフ(EARTH)を用いた疫学対応ニューラル・オードという,革新的なエンドツーエンドフレームワークを提案する。 本稿ではまず,感染メカニズムとニューラルODEアプローチをシームレスに統合するEANOを提案する。 また,グローバルな感染動向をモデル化するためにGLTGを導入し,これらの信号を利用して局所的な感染を動的に誘導する。
  論文  参考訳（メタデータ） (2024-09-28T04:07:16Z)
• 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)
• MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting [2.0297284948237366]
  メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。 本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-06-15T18:12:55Z)
• An ensemble neural network approach to forecast Dengue outbreak based on climatic condition [2.3080278150530424]
  デング熱(英: Dengue fever)は、アフリカ、アメリカ、アジアに100以上の熱帯・亜熱帯の国々に分布する病原体である。 提案モデルは、ウェーブレットをアンサンブルニューラルネットワークフレームワークに変換する統合アプローチである。 提案したXEWNetはデング発生事例と降雨の複雑な非線形関係を可能にする。
  論文  参考訳（メタデータ） (2022-12-16T07:49:15Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• 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)
• 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)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)

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。