論文の概要: Adapting Node-Place Model to Predict and Monitor COVID-19 Footprints and
Transmission Risks
- arxiv url: http://arxiv.org/abs/2301.00117v1
- Date: Sat, 31 Dec 2022 04:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 16:23:29.142584
- Title: Adapting Node-Place Model to Predict and Monitor COVID-19 Footprints and
Transmission Risks
- Title（参考訳）: ノードプレースモデルによる新型コロナウイルスの足跡と感染リスクの予測と監視
- Authors: Jiali Zhou, Mingzhi Zhou, Jiangping Zhou, Zhan Zhao
- Abstract要約: ノードプレースモデルは、トランジットステーションの分類と評価に広く利用されている。
本稿は、このモデルを用いて、市内の感染リスクと現地のCOVID-19患者の存在と、ノード、場所、移動性がどう関連しているかを調査する。
- 参考スコア（独自算出の注目度）: 0.5161531917413706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The node-place model has been widely used to classify and evaluate transit
stations, which sheds light on individual travel behaviors and supports urban
planning through effectively integrating land use and transportation
development. This article adapts this model to investigate whether and how
node, place, and mobility would be associated with the transmission risks and
presences of the local COVID-19 cases in a city. Similar studies on the model
and its relevance to COVID-19, according to our knowledge, have not been
undertaken before. Moreover, the unique metric drawn from detailed visit
history of the infected, i.e., the COVID-19 footprints, is proposed and
exploited. This study then empirically uses the adapted model to examine the
station-level factors affecting the local COVID-19 footprints. The model
accounts for traditional measures of the node and place as well as actual human
mobility patterns associated with the node and place. It finds that stations
with high node, place, and human mobility indices normally have more COVID-19
footprints in proximity. A multivariate regression is fitted to see whether and
to what degree different indices and indicators can predict the COVID-19
footprints. The results indicate that many of the place, node, and human
mobility indicators significantly impact the concentration of COVID-19
footprints. These are useful for policy-makers to predict and monitor hotspots
for COVID-19 and other pandemics transmission.
- Abstract（参考訳）: ノードプレースモデルは交通局の分類と評価に広く用いられており、個々の移動行動に光を当て、土地利用と交通開発を効果的に統合することで都市計画を支援している。
本稿は、このモデルを用いて、市内の感染リスクと現地のCOVID-19患者の存在と、ノード、場所、移動性がどう関連しているかを調査する。
このモデルとcovid-19との関連に関する同様の研究は、我々の知る限り、これまで行われていない。
さらに、感染者の詳細な訪問履歴、すなわち新型コロナウイルスのフットプリントから引き出されたユニークな指標を提案し、活用する。
そこで本研究では,現地のcovid-19足跡に影響を与える局レベルの要因を検討するために,適応モデルを用いて実験を行った。
このモデルは、ノードと場所の伝統的な測度だけでなく、ノードと場所に関連する実際の人間の移動パターンも考慮している。
高いノード、場所、人間の移動度指数を持つステーションは、通常、より近くに新型コロナウイルスの足跡がある。
多変量回帰(multivariate regression)は、covid-19の足跡を予測する指標や指標がどの程度異なるかを確認するためのものだ。
結果は、場所、ノード、人の移動度指標の多くが新型コロナウイルスの足跡の濃度に大きく影響していることを示している。
これらは、covid-19やその他のパンデミック感染のホットスポットを予測および監視する政策立案者にとって有用である。
関連論文リスト
- Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph
Diffusion Infomax [40.18153418511126]
非薬剤干渉(NPI)は、人の接触を減らすことで、新型コロナウイルスの感染を遅らせる効果を示した。
本研究は、モビリティモデリングに焦点を当て、新型コロナウイルスの患者が訪れる場所を予測することを目的としている。
本稿では,DGDI (Deep Graph Diffusion Infomax) というモデルを提案する。
論文 参考訳（メタデータ） (2022-12-12T05:15:47Z) - 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) - Fine-Grained Population Mobility Data-Based Community-Level COVID-19
Prediction Model [5.548510262756311]
本研究では,2つの地域レベルのデータを利用した人口移動データモデル(FGC-COVID)を提案する。
CBGの埋め込みをコミュニティレベルに集約する空間重み付けアグリゲーションモジュールを導入する。
我々のモデルは、コミュニティレベルの新型コロナウイルスの予測において、既存の予測モデルよりも優れています。
論文 参考訳（メタデータ） (2022-02-13T08:40:47Z) - Predicting COVID-19 Spread from Large-Scale Mobility Data [22.55034017418318]
将来のケースナンバーのほぼリアルタイム予測には、人間の移動性がある。
本稿では,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。
私たちの研究は、通信データから新型コロナウイルスの感染拡大を予測する最初のものです。
論文 参考訳（メタデータ） (2021-06-01T10:05:02Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - 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) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Quantifying the Effects of Contact Tracing, Testing, and Containment
Measures in the Presence of Infection Hotspots [18.227721607607183]
複数の証拠は、一人が他の多くの人に感染するホットスポットが、新型コロナウイルスの感染動態において重要な役割を担っていることを強く示唆している。
個人が接触し、互いに感染するサイトへの訪問を具体的に表現する、時間的ポイントプロセスモデリングフレームワークを導入する。
我々のモデルでは、自然に感染した個体によって引き起こされる感染の数が過度に分散する。
論文 参考訳（メタデータ） (2020-04-15T17:18:32Z)
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。