論文の概要: Deep Learning Approach to Forecasting COVID-19 Cases in Residential Buildings of Hong Kong Public Housing Estates: The Role of Environment and Sociodemographics

• arxiv url: http://arxiv.org/abs/2403.15759v1
• Date: Sat, 23 Mar 2024 08:22:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:12:36.460885
• Title: Deep Learning Approach to Forecasting COVID-19 Cases in Residential Buildings of Hong Kong Public Housing Estates: The Role of Environment and Sociodemographics
• Title（参考訳）: 香港の住宅団地における新型コロナウイルス感染予測への深層学習アプローチ : 環境・社会デモグラフィーの役割
• Authors: E. Leung, J. Guan, KO. Kwok, CT. Hung, CC. Ching, KC. Chong, CHK. Yam, T. Sun, WH. Tsang, EK. Yeoh, A. Lee,
• Abstract要約: 本研究は、新型コロナウイルスと研究地区の社会生態学の複雑な関係について検討する。 我々は、多頭部階層型畳み込みニューラルネットワークを用いて、階層的な関連した予測的特徴の膨大な配列を構造化した。 新型コロナウイルスの感染拡大に伴う感染拡大と、新型コロナウイルスの感染拡大に関連する要因が相違していることが判明した。
• 参考スコア（独自算出の注目度）: 0.2545763876632975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: The current study investigates the complex association between COVID-19 and the studied districts' socioecology (e.g. internal and external built environment, sociodemographic profiles, etc.) to quantify their contributions to the early outbreaks and epidemic resurgence of COVID-19. Methods: We aligned the analytic model's architecture with the hierarchical structure of the resident's socioecology using a multi-headed hierarchical convolutional neural network to structure the vast array of hierarchically related predictive features representing buildings' internal and external built environments and residents' sociodemographic profiles as model input. COVID-19 cases accumulated in buildings across three adjacent districts in HK, both before and during HK's epidemic resurgence, were modeled. A forward-chaining validation was performed to examine the model's performance in forecasting COVID-19 cases over the 3-, 7-, and 14-day horizons during the two months subsequent to when the model for COVID-19 resurgence was built to align with the forecasting needs in an evolving pandemic. Results: Different sets of factors were found to be linked to the earlier waves of COVID-19 outbreaks compared to the epidemic resurgence of the pandemic. Sociodemographic factors such as work hours, monthly household income, employment types, and the number of non-working adults or children in household populations were of high importance to the studied buildings' COVID-19 case counts during the early waves of COVID-19. Factors constituting one's internal built environment, such as the number of distinct households in the buildings, the number of distinct households per floor, and the number of floors, corridors, and lifts, had the greatest unique contributions to the building-level COVID-19 case counts during epidemic resurgence.
• Abstract（参考訳）: 紹介:本研究では、新型コロナウイルスの早期流行と流行回復への貢献を定量化するために、新型コロナウイルスと研究地区の社会生態学(例えば、内部および外部構築環境、社会デマグラフィープロファイルなど)の複雑な関連について検討する。 方法: 建物の内部および外部構築環境と住民の社会デマトグラフィープロファイルをモデル入力として, 多頭部階層的畳み込みニューラルネットワークを用いて, 分析モデルのアーキテクチャと住民の社会生態の階層構造を一致させた。 HKの感染拡大前後に隣接する3つの地区にまたがる建物に蓄積した新型コロナウイルスの感染者をモデル化した。 新型コロナウイルス(COVID-19)の回復モデルが、新型コロナウイルスのパンデミック(パンデミック)の予測ニーズに合わせて構築された2カ月後の3日、7日、14日の地平線上での予測におけるモデルの性能を調べるために、前方連鎖検証を実施した。 結果: 新型コロナウイルスの流行の早期波と、パンデミックの流行の回復との違いが判明した。 就労時間、月収、就業タイプ、世帯人口の非就労大人や子供の数などの社会学的な要因は、新型コロナウイルスの感染拡大にともなって、研究対象の建物における新型コロナウイルス感染者数にとって非常に重要であった。 建物内の異なる世帯数、床当たりの異なる世帯数、床、廊下、リフト数など、内部の建築環境を構成する要因は、新型コロナウイルスの感染拡大に伴うビルレベルのケース数に最も大きな貢献をした。

関連論文リスト

• Analyzing the Variations in Emergency Department Boarding and Testing the Transferability of Forecasting Models across COVID-19 Pandemic Waves in Hong Kong: Hybrid CNN-LSTM approach to quantifying building-level socioecological risk [0.2985164765599213]
  救急部門(ED)の搭乗は、患者の予後不良と健康システムのパフォーマンスに関連付けられている。 しかし、新型コロナウイルス(COVID-19)に先立って効果的な予測モデルは稀であり、近日中には欠落している。 ここでは、香港の病院局、保健省、住宅局から得られたパブリックドメインデータに対して、ハイブリッド畳み込みニューラルネットワーク(CNN)-Long短期記憶(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2024-03-17T11:48:40Z)
• A case study of university student networks and the COVID-19 pandemic using a social network analysis approach in halls of residence [0.32985979395737786]
  本研究の目的は、新型コロナウイルスの感染拡大に伴う大学寮の学生の構造的挙動を説明することである。 大学寮の指導力は中央集権度を用いて測定された。 高い社会的評判を持つ学生は、新型コロナウイルスの感染に関連して、より高いレベルのパンデミック感染を経験する。
  論文  参考訳（メタデータ） (2024-02-14T14:57:25Z)
• 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)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• 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)
• Inter-Series Attention Model for COVID-19 Forecasting [23.58411106491221]
  我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。 新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
  論文  参考訳（メタデータ） (2020-10-25T00:11:49Z)
• COVID-19 Pandemic Outbreak in the Subcontinent: A data-driven analysis [0.8057708414390126]
  2019年12月下旬、中国湖北省武漢市で新型コロナウイルス(COVID-19)が流行した。 多くの研究が、この亜大陸は新型コロナウイルスの影響で最悪の地域にとどまる可能性があると主張している。 本稿ではバングラデシュ、インド、パキスタンの公開疫学データを用いて再生数を推定する。
  論文  参考訳（メタデータ） (2020-08-22T10:40:17Z)
• Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
  重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。 私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。 調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
  論文  参考訳（メタデータ） (2020-07-22T18:02:39Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)

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。