論文の概要: An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM

• arxiv url: http://arxiv.org/abs/2211.17014v2
• Date: Tue, 18 Apr 2023 05:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 18:03:05.207193
• Title: An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM
• Title（参考訳）: 自己回帰モデルとlstmを用いたcovid-19症例の解釈可能なハイブリッド予測モデル
• Authors: Yangyi Zhang, Sui Tang, and Guo Yu
• Abstract要約: 本稿では,自己回帰モデル(AR)の解釈可能性と,長期記憶ニューラルネットワーク(LSTM)の予測能力が結合する新しいハイブリッドモデルを提案する。 我々の研究は、効率的かつ解釈可能なデータ駆動モデルを構築するための、新しい、そして有望な方向性を提供する。
• 参考スコア（独自算出の注目度）: 3.7555792840171787
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Coronavirus Disease 2019 (COVID-19) has a profound impact on global health and economy, making it crucial to build accurate and interpretable data-driven predictive models for COVID-19 cases to improve policy making. The extremely large scale of the pandemic and the intrinsically changing transmission characteristics pose great challenges for effective COVID-19 case prediction. To address this challenge, we propose a novel hybrid model in which the interpretability of the Autoregressive model (AR) and the predictive power of the long short-term memory neural networks (LSTM) join forces. The proposed hybrid model is formalized as a neural network with an architecture that connects two composing model blocks, of which the relative contribution is decided data-adaptively in the training procedure. We demonstrate the favorable performance of the hybrid model over its two component models as well as other popular predictive models through comprehensive numerical studies on two data sources under multiple evaluation metrics. Specifically, in county-level data of 8 California counties, our hybrid model achieves 4.173% MAPE on average, outperforming the composing AR (5.629%) and LSTM (4.934%). In country-level datasets, our hybrid model outperforms the widely-used predictive models - AR, LSTM, SVM, Gradient Boosting, and Random Forest - in predicting COVID-19 cases in 8 countries around the world. In addition, we illustrate the interpretability of our proposed hybrid model, a key feature not shared by most black-box predictive models for COVID-19 cases. Our study provides a new and promising direction for building effective and interpretable data-driven models, which could have significant implications for public health policy making and control of the current and potential future pandemics.
• Abstract（参考訳）: コロナウイルス病2019(COVID-19)は、世界保健と経済に大きな影響を与え、新型コロナウイルス患者のための正確かつ解釈可能なデータ駆動予測モデルを構築し、政策立案を改善することが重要である。 パンデミックの極めて大規模な規模と本質的に変化する伝達特性は、効果的な新型コロナウイルスのケース予測に大きな課題をもたらす。 この課題に対処するために,自己回帰モデル(AR)の解釈可能性と長期記憶ニューラルネットワーク(LSTM)の予測能力が結合する新しいハイブリッドモデルを提案する。 提案したハイブリッドモデルは、2つの構成モデルブロックを接続するアーキテクチャを備えたニューラルネットワークとして形式化され、トレーニング手順において相対寄与がデータ適応的に決定される。 複数の評価指標に基づく2つのデータソースに関する包括的数値研究を通じて,2つのコンポーネントモデルと他の一般的な予測モデルに対するハイブリッドモデルの性能を実証する。 具体的には、カリフォルニア州8郡の郡レベルのデータでは、我々のハイブリッドモデルは平均4.173%のMAPEを達成し、AR(5.629%)とLSTM(4.934%)を上回ります。 国レベルのデータセットでは、私たちのハイブリッドモデルは、世界中の8カ国で新型コロナウイルス(COVID-19)のケースを予測する上で、広く使用されている予測モデル(AR、LSTM、SVM、Gradient Boosting、Random Forest)よりも優れています。 さらに、新型コロナウイルスの患者に対して、ほとんどのブラックボックス予測モデルでは共有されない重要な特徴であるハイブリッドモデルの解釈可能性について説明する。 我々の研究は、効果的で解釈可能なデータ駆動モデルを構築するための、新しい、そして有望な方向性を提供し、これは、公衆衛生政策の作成と、現在および将来のパンデミックの制御に重大な影響を及ぼす可能性がある。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India [1.7969777786551424]
  最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。 我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。 その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-08-31T13:28:51Z)
• 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)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19 [3.785123406103385]
  新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。 RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。 グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
  論文  参考訳（メタデータ） (2020-10-18T19:34:54Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
  今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。 様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
  論文  参考訳（メタデータ） (2020-07-31T23:37:38Z)
• 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)
• Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models [2.11622808613962]
  本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。 提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
  論文  参考訳（メタデータ） (2020-05-24T10:43:55Z)

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。