論文の概要: A novel approach for predicting epidemiological forecasting parameters
based on real-time signals and Data Assimilation
- arxiv url: http://arxiv.org/abs/2307.01157v1
- Date: Mon, 3 Jul 2023 17:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 12:22:31.059519
- Title: A novel approach for predicting epidemiological forecasting parameters
based on real-time signals and Data Assimilation
- Title（参考訳）: リアルタイム信号とデータ同化に基づく疫学的予測パラメータ予測の新しい手法
- Authors: Romain Molinas, C\'esar Quilodr\'an Casas, Rossella Arcucci, Ovidiu
\c{S}erban
- Abstract要約: 我々は、様々なデータソースと融合手法を用いて、畳み込みニューラルネットワーク(CNN)モデルのアンサンブルを実装し、ロバストな予測を構築する。
気象信号とソーシャルメディアを用いた人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルスの流行予測の性能と柔軟性が向上した。
- 参考スコア（独自算出の注目度）: 3.4901787251083163
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper proposes a novel approach to predict epidemiological parameters by
integrating new real-time signals from various sources of information, such as
novel social media-based population density maps and Air Quality data. We
implement an ensemble of Convolutional Neural Networks (CNN) models using
various data sources and fusion methodology to build robust predictions and
simulate several dynamic parameters that could improve the decision-making
process for policymakers. Additionally, we used data assimilation to estimate
the state of our system from fused CNN predictions. The combination of
meteorological signals and social media-based population density maps improved
the performance and flexibility of our prediction of the COVID-19 outbreak in
London. While the proposed approach outperforms standard models, such as
compartmental models traditionally used in disease forecasting (SEIR),
generating robust and consistent predictions allows us to increase the
stability of our model while increasing its accuracy.
- Abstract（参考訳）: 本稿では,新しいソーシャルメディアベースの人口密度マップや空気質データなど,様々な情報ソースからのリアルタイム信号を統合することで,疫学的パラメータを予測する手法を提案する。
我々は,様々なデータソースと融合手法を用いた畳み込みニューラルネットワーク(cnn)モデルのアンサンブルを実装し,ロバストな予測を構築し,政策立案者の意思決定プロセスを改善する可能性のあるいくつかの動的パラメータをシミュレートする。
さらに、融合したCNN予測からシステムの状態を推定するためにデータ同化を用いた。
気象信号とソーシャルメディアベースの人口密度マップの組み合わせは、ロンドンで発生したcovid-19流行予測の性能と柔軟性を改善した。
提案手法は,従来疾患予測(SEIR)に用いられてきたコンパートメンタルモデルなどの標準モデルよりも優れているが,ロバストで一貫した予測を生成することにより,精度を高めながらモデルの安定性を向上させることができる。
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) - A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts [3.3385430106181184]
我々は,透過率の隠れたダイナミクスを再構築するために,新しい科学機械学習フレームワークを定式化した。
本手法は,2010年から2020年までのイタリアにおける気象データ(温度・湿度)とインフルエンザデータに基づいて,合成テストケースと現実テストケースの両方を用いて検証した。
論文 参考訳（メタデータ） (2024-10-15T12:24:55Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - 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) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph
Neural Networks for Traffic Forecasting [2.088376060651494]
本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。
我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。
我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-04T16:10:55Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - An Epidemiological Modelling Approach for Covid19 via Data Assimilation [18.837659009007705]
2019-nCovの世界的なパンデミックは、世界の隔離措置の将来の社会的・経済的コストを軽減するために、政策介入の評価を必要とする。
本稿では,変動データ同化による新しいデータをリアルタイムに組み込んだ予測・政策評価のための疫学モデルを提案する。
論文 参考訳（メタデータ） (2020-04-25T12:46:36Z) - TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information [8.681583244827936]
TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。
我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。
予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
論文 参考訳（メタデータ） (2020-01-28T20:51:49Z)
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。