論文の概要: Analysis of the Spatio-temporal Dynamics of COVID-19 in Massachusetts
via Spectral Graph Wavelet Theory
- arxiv url: http://arxiv.org/abs/2208.01749v1
- Date: Thu, 28 Jul 2022 19:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:29:02.175159
- Title: Analysis of the Spatio-temporal Dynamics of COVID-19 in Massachusetts
via Spectral Graph Wavelet Theory
- Title（参考訳）: スペクトルグラフウェーブレット理論によるマサチューセッツ州におけるcovid-19の時空間動態の解析
- Authors: Ru Geng, Yixian Gao, Hongkun Zhang, and Jian Zu
- Abstract要約: 我々は、2020年12月6日から2021年9月25日まで、マサチューセッツ州の351都市および町で新型コロナウイルスの急速な拡散を調査した。
都市は複雑な交通ネットワークに埋め込まれているので、動的グラフモデルを構築します。
スペクトルグラフウェーブレット変換(SGWT)を用いて、ダイナミックグラフ上でCOVID-19データを処理する。
我々は,スペクトルグラフウェーブレット係数に基づいて都市を効果的に同定する新しいノード法を設計する。
- 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: The rapid spread of COVID-19 disease has had a significant impact on the
world. In this paper, we study COVID-19 data interpretation and visualization
using open-data sources for 351 cities and towns in Massachusetts from December
6, 2020 to September 25, 2021. Because cities are embedded in rather complex
transportation networks, we construct the spatio-temporal dynamic graph model,
in which the graph attention neural network is utilized as a deep learning
method to learn the pandemic transition probability among major cities in
Massachusetts. Using the spectral graph wavelet transform (SGWT), we process
the COVID-19 data on the dynamic graph, which enables us to design effective
tools to analyze and detect spatio-temporal patterns in the pandemic spreading.
We design a new node classification method, which effectively identifies the
anomaly cities based on spectral graph wavelet coefficients. It can assist
administrations or public health organizations in monitoring the spread of the
pandemic and developing preventive measures. Unlike most work focusing on the
evolution of confirmed cases over time, we focus on the spatio-temporal
patterns of pandemic evolution among cities. Through the data analysis and
visualization, a better understanding of the epidemiological development at the
city level is obtained and can be helpful with city-specific surveillance.
- Abstract（参考訳）: 新型コロナウイルスの急速な拡大は世界に大きな影響を与えている。
本稿では,2020年12月6日から2021年9月25日まで,マサチューセッツ州の351都市および町を対象に,オープンデータソースを用いた新型コロナウイルスのデータ解釈と可視化を行った。
都市は比較的複雑な交通ネットワークに埋め込まれているため、マサチューセッツの主要都市間でのパンデミック遷移確率を学習するための深層学習手法としてグラフ注意ニューラルネットワークを利用する時空間動的グラフモデルを構築している。
スペクトルグラフウェーブレット変換(SGWT)を用いて、ダイナミックグラフ上のCOVID-19データを処理し、パンデミックの時空間パターンを分析し検出するための効果的なツールを設計することができる。
本研究では,スペクトルグラフウェーブレット係数に基づいて異常都市を効果的に識別する新しいノード分類法を考案する。
パンデミックの感染拡大をモニターし、予防策を講じるために、行政や保健機関を支援することができる。
確認されたケースの進化に時間をかけてフォーカスするほとんどの研究とは異なり、都市間のパンデミック進化の時空間的パターンに焦点を当てる。
データ解析と可視化により,都市レベルでの疫学の発展をよりよく把握し,都市固有の監視に役立てることができる。
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) - Temporal Multiresolution Graph Neural Networks For Epidemic Prediction [21.63446544791516]
本稿では,マルチスケール・マルチレゾリューショングラフ構造の構築を学習し,動的グラフの時間的変化を捉えるために時系列信号を組み込んだ最初のアーキテクチャであるTMGNNを紹介する。
いくつかの欧州諸国において、実際のCOVID-19パンデミックやニワトリの流行から収集された時系列データに基づいて、今後のパンデミックとパンデミックの拡散を予測するタスクに、提案モデルを適用した。
論文 参考訳（メタデータ） (2022-05-30T03:38:33Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural
Networks using Mobility and Web Search Data [0.0]
移動データを用いた第1発生波を予測する既存の予測モデルは、マルチウェーブ予測には適用できない可能性がある。
本稿では,症状関連Web検索周波数の減衰を考慮したソーシャルアウェアネスに基づくグラフニューラルネットワーク(SAB-GNN)を提案する。
我々は,2020年4月から2021年5月までのモビリティとWeb検索データを用いて,東京地域での今後のパンデミックの発生を予測するためのモデルを訓練した。
論文 参考訳（メタデータ） (2021-10-22T04:24:50Z) - 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) - STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework
for Pandemic Monitoring and Management [28.205715426050105]
行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。
本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。
i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
論文 参考訳（メタデータ） (2021-04-04T12:29:31Z) - 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) - Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。
我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2020-09-10T13:23:52Z) - Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural
Networks [8.949096210063662]
本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。
我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
論文 参考訳（メタデータ） (2020-07-06T23:11:38Z) - Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks [67.3415507211942]
感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
論文 参考訳（メタデータ） (2020-06-21T21:12:44Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。