論文の概要: Epidemic Modeling using Hybrid of Time-varying SIRD, Particle Swarm
Optimization, and Deep Learning
- arxiv url: http://arxiv.org/abs/2401.18047v1
- Date: Wed, 31 Jan 2024 18:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 13:44:12.026581
- Title: Epidemic Modeling using Hybrid of Time-varying SIRD, Particle Swarm
Optimization, and Deep Learning
- Title(参考訳): 時間変化SIRD, 粒子群最適化, 深層学習のハイブリッドによるエピデミックモデリング
- Authors: Naresh Kumar, Seba Susan
- Abstract要約: 疫学モデルは、拡散パターンが静止している場合の流行をモデル化するのに最適である。
本研究では,疫病モデル,粒子群最適化,深層学習を含むハイブリッドモデルを開発した。
本研究は、米国、インド、英国という3カ国の影響を受けた3つの国について、そのモデルを評価する。
- 参考スコア(独自算出の注目度): 6.363653898208231
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Epidemiological models are best suitable to model an epidemic if the spread
pattern is stationary. To deal with non-stationary patterns and multiple waves
of an epidemic, we develop a hybrid model encompassing epidemic modeling,
particle swarm optimization, and deep learning. The model mainly caters to
three objectives for better prediction: 1. Periodic estimation of the model
parameters. 2. Incorporating impact of all the aspects using data fitting and
parameter optimization 3. Deep learning based prediction of the model
parameters. In our model, we use a system of ordinary differential equations
(ODEs) for Susceptible-Infected-Recovered-Dead (SIRD) epidemic modeling,
Particle Swarm Optimization (PSO) for model parameter optimization, and
stacked-LSTM for forecasting the model parameters. Initial or one time
estimation of model parameters is not able to model multiple waves of an
epidemic. So, we estimate the model parameters periodically (weekly). We use
PSO to identify the optimum values of the model parameters. We next train the
stacked-LSTM on the optimized parameters, and perform forecasting of the model
parameters for upcoming four weeks. Further, we fed the LSTM forecasted
parameters into the SIRD model to forecast the number of COVID-19 cases. We
evaluate the model for highly affected three countries namely; the USA, India,
and the UK. The proposed hybrid model is able to deal with multiple waves, and
has outperformed existing methods on all the three datasets.
- Abstract(参考訳): 疫学モデルは、拡散パターンが静止している場合の流行をモデル化するのに最適である。
非定常パターンと伝染病の複数の波に対処するため,疫病モデル,粒子群最適化,深層学習を含むハイブリッドモデルを開発した。
モデルは主に、より良い予測のために3つの目標に対応します。
1. モデルパラメータの周期的推定
2. データフィッティングとパラメータ最適化による全側面の影響の組み入れ
3.モデルパラメータの深層学習による予測
本モデルでは, モデルパラメータの予測には通常の微分方程式系 (odes) を用い, モデルパラメータ最適化のための粒子群最適化 (pso) , モデルパラメータ予測のための stacked-lstm を用いた。
モデルパラメータの初期または1回の時間推定は、流行の多重波をモデル化できない。
そこで,モデルパラメータを定期的に(毎週)見積もる。
PSOを用いてモデルパラメータの最適値を特定する。
次に、最適化パラメータの積み重ねLSTMをトレーニングし、4週間のモデルパラメータの予測を行う。
さらに、LSTM予測パラメータをSIRDモデルに入力し、新型コロナウイルス感染者数を予測した。
本モデルは,米国,インド,英国という3つの国で高い影響を受けている。
提案したハイブリッドモデルは複数の波に対処でき、既存の3つのデータセットの手法よりも優れています。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳(メタデータ) (2024-08-19T17:32:15Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳(メタデータ) (2023-06-09T18:01:14Z) - A Three-regime Model of Network Pruning [47.92525418773768]
我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。
プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。
本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
論文 参考訳(メタデータ) (2023-05-28T08:09:25Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳(メタデータ) (2022-11-28T17:41:48Z) - fETSmcs: Feature-based ETS model component selection [8.99236558175168]
シミュレーションデータに基づく分類器の訓練によるETSモデル選択の効率的な手法を提案し, 与えられた時系列に対する適切なモデル成分の予測を行う。
提案手法は,広く使用されている予測競合データセットM4に対して,点予測と予測間隔の両面から評価する。
論文 参考訳(メタデータ) (2022-06-26T13:52:43Z) - 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) - An efficient estimation of time-varying parameters of dynamic models by
combining offline batch optimization and online data assimilation [0.0]
比較的低次元モデルの時間変化パラメータを推定する,効率的かつ実用的な手法を提案する。
オフラインバッチ最適化とオンラインデータ同化の組み合わせを提案する。
論文 参考訳(メタデータ) (2021-10-24T20:12:12Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z) - Sequential Bayesian Experimental Design for Implicit Models via Mutual
Information [12.68659360172393]
自然科学と医学科学に特に興味を持つモデルのクラスは暗黙のモデルである。
モデルパラメータとシミュレーションデータ間の相互情報(MI)を実用関数として用いたパラメータ推定のための新しい逐次設計フレームワークを考案する。
我々のフレームワークは、テストされた様々な暗黙のモデルに対して効率的であることが分かり、数回の反復で正確なパラメータ推定が得られます。
論文 参考訳(メタデータ) (2020-03-20T16:52:10Z)
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。