論文の概要: Forecasting COVID-19 spreading trough an ensemble of classical and
machine learning models: Spain's case study
- arxiv url: http://arxiv.org/abs/2207.05753v1
- Date: Tue, 12 Jul 2022 08:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 12:25:53.181311
- Title: Forecasting COVID-19 spreading trough an ensemble of classical and
machine learning models: Spain's case study
- Title(参考訳): 新型コロナウイルス(covid-19)感染拡大の予測-スペインを事例として
- Authors: Ignacio Heredia Cacha, Judith Sainz-Pardo D\'iaz, Mar\'ia Castrillo
Melguizo, \'Alvaro L\'opez Garc\'ia
- Abstract要約: 我々は、新型コロナウイルスのパンデミックの近い将来の進化を予測するために、人口モデルと機械学習モデルのアンサンブルの適用性を評価する。
オープンかつパブリックなデータセットのみに依存しており、発生率、ワクチン接種、人間の移動性、気象データに頼っています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work we evaluate the applicability of an ensemble of population
models and machine learning models to predict the near future evolution of the
COVID-19 pandemic, with a particular use case in Spain. We rely solely in open
and public datasets, fusing incidence, vaccination, human mobility and weather
data to feed our machine learning models (Random Forest, Gradient Boosting,
k-Nearest Neighbours and Kernel Ridge Regression). We use the incidence data to
adjust classic population models (Gompertz, Logistic, Richards, Bertalanffy) in
order to be able to better capture the trend of the data. We then ensemble
these two families of models in order to obtain a more robust and accurate
prediction. Furthermore, we have observed an improvement in the predictions
obtained with machine learning models as we add new features (vaccines,
mobility, climatic conditions), analyzing the importance of each of them using
Shapley Additive Explanation values. As in any other modelling work, data and
predictions quality have several limitations and therefore they must be seen
from a critical standpoint, as we discuss in the text. Our work concludes that
the ensemble use of these models improves the individual predictions (using
only machine learning models or only population models) and can be applied,
with caution, in cases when compartmental models cannot be utilized due to the
lack of relevant data.
- Abstract(参考訳): 本研究では、新型コロナウイルス(covid-19)パンデミック(covid-19)の近い将来の発展を予測するために、人口モデルと機械学習モデルのアンサンブルの適用性を評価する。
私たちは機械学習モデル(ランダムフォレスト、グラデーションブースティング、k-nearest近傍、カーネルリッジ回帰)に餌をやるために、入射率、ワクチン接種、人の移動性、気象データを使って、オープンデータセットとパブリックデータセットのみに頼っています。
インシデントデータを用いて、古典的な人口モデル(Gompertz、Logistic、Richards、Bertalanffy)を調整し、データの傾向をよりよく把握できるようにします。
次に、より堅牢で正確な予測を得るために、これらの2つのモデルのファミリーを組み立てます。
さらに,新たな特徴(ワクチン,移動性,気候条件)を追加することによって,機械学習モデルによる予測の改善が見られ,それぞれがShapley Additive Explanation値を用いて重要かを解析した。
他のモデリング作業と同様に、データと予測の品質にはいくつかの制限があります。
本研究は,これらのモデルのアンサンブル利用により,個々の予測(機械学習モデルのみ,あるいは人口モデルのみ)が向上し,関連するデータがないために構成モデルが利用できない場合に注意して適用可能であることを結論づける。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2024-10-21T18:31:04Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-09-10T07:34:19Z) - 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) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - 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) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳(メタデータ) (2022-01-07T19:42:05Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳(メタデータ) (2021-06-01T22:33:53Z)
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。