論文の概要: Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia
- arxiv url: http://arxiv.org/abs/2207.07689v1
- Date: Fri, 15 Jul 2022 18:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 15:07:13.793473
- Title: Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia
- Title（参考訳）: Covid-19予測のための厳密なベースラインと米国とロシアのML視点
- Authors: Alexander G. Sboev, Nikolay A. Kudryshov, Ivan A. Moloshnikov, Saveliy
V. Zavertyaev, Aleksandr V. Naumov and Roman B. Rybka
- Abstract要約: Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
- 参考スコア（独自算出の注目度）: 105.54048699217668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Currently, the evolution of Covid-19 allows researchers to gather the
datasets accumulated over 2 years and to use them in predictive analysis. In
turn, this makes it possible to assess the efficiency potential of more complex
predictive models, including neural networks with different forecast horizons.
In this paper, we present the results of a consistent comparative study of
different types of methods for predicting the dynamics of the spread of
Covid-19 based on regional data for two countries: the United States and
Russia. We used well-known statistical methods (e.g., Exponential Smoothing), a
"tomorrow-as-today" approach, as well as a set of classic machine learning
models trained on data from individual regions. Along with them, a neural
network model based on Long short-term memory (LSTM) layers was considered, the
training samples of which aggregate data from all regions of two countries: the
United States and Russia. Efficiency evaluation was carried out using
cross-validation according to the MAPE metric. It is shown that for complicated
periods characterized by a large increase in the number of confirmed daily
cases, the best results are shown by the LSTM model trained on all regions of
both countries, showing an average Mean Absolute Percentage Error (MAPE) of
18%, 30%, 37% for Russia and 31%, 41%, 50% for US for predictions at forecast
horizons of 14, 28, and 42 days, respectively.
- Abstract（参考訳）: 現在、Covid-19の進化により、研究者は2年間にわたって蓄積されたデータセットを収集し、予測分析に使用することができる。
これにより、予測の地平線が異なるニューラルネットワークを含む、より複雑な予測モデルの効率性を評価することが可能になる。
本稿では、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果を示す。
私たちは、よく知られた統計手法(例:Exponential Smoothing)、"tomorrow-as-day"アプローチ、および個々のリージョンのデータに基づいてトレーニングされた古典的な機械学習モデルのセットを使用しました。
それらとともに、長期短期記憶(lstm)層に基づくニューラルネットワークモデルが検討され、そのトレーニングサンプルが米国とロシアという2つの国のすべての地域から収集されたデータを集約した。
MAPE測定値に従ってクロスバリデーションを用いて効率評価を行った。
その結果,1日当たりの感染者数の増加を特徴とする複雑な期間において,各地域を訓練したlstmモデルにより,ロシアでは18%,30%,37%,ロシアでは31%,41%,米国では14日,28日,42日の平均絶対パーセンテージ誤差(mape)が,それぞれ51%,41%,50%の予測値を示した。
関連論文リスト
- A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - A spatiotemporal machine learning approach to forecasting COVID-19
incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。
われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。
4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文 参考訳（メタデータ） (2021-09-24T17:40:08Z) - Improving COVID-19 Forecasting using eXogenous Variables [7.245000255986182]
米国におけるパンデミック・コースについて、国家レベルと国家レベルのデータを用いて検討する。
本稿では,補助変数を組み込んだ時系列予測手法を提案し,比較する。
論文 参考訳（メタデータ） (2021-07-20T03:26:18Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳（メタデータ） (2020-06-16T17:20:54Z) - A machine learning methodology for real-time forecasting of the
2019-2020 COVID-19 outbreak using Internet searches, news alerts, and
estimates from mechanistic models [53.900779250589814]
提案手法は,2日前の安定かつ正確な予測を行うことができる。
我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
論文 参考訳（メタデータ） (2020-04-08T14:39:32Z) - COVID-19 forecasting based on an improved interior search algorithm and
multi-layer feed forward neural network [0.0]
今後数日で確認された新型コロナウイルスの症例を分析し、予測する新たな予測モデルが提示される。
ISACL-MFNNモデルは、カオス学習(CL)戦略に基づく改良された内部探索アルゴリズム(ISA)を多層フィードフォワードニューラルネットワーク(MFNN)に統合する。
提案されたモデルは最も影響の大きい国(米国、イタリア、スペイン)で調査されている。
論文 参考訳（メタデータ） (2020-04-06T12:08:10Z)
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。