論文の概要: Machine Learning Models for Dengue Forecasting in Singapore

• arxiv url: http://arxiv.org/abs/2407.00332v1
• Date: Sat, 29 Jun 2024 06:27:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 05:31:09.893377
• Title: Machine Learning Models for Dengue Forecasting in Singapore
• Title（参考訳）: シンガポールにおけるデング予測のための機械学習モデル
• Authors: Zi Iun Lai, Wai Kit Fung, Enquan Chew,
• Abstract要約: デング病の世界的な負担は、最も急速に成長している1つであると予測されている。 現在、直接治療やワクチン接種が限られているため、ベクターコントロールによる予防は、アウトブレイクを管理する最も効果的な方法であると広く信じられている。 本研究では,シンガポールにおける週次デング症例の予測のために,従来の状態空間モデル(平均,自己回帰,ARIMA,SARIMA),教師あり学習技術(XGBoost,SVM,KNN),深層ネットワーク(LSTM,CNN,ConvLSTM)について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With emerging prevalence beyond traditionally endemic regions, the global burden of dengue disease is forecasted to be one of the fastest growing. With limited direct treatment or vaccination currently available, prevention through vector control is widely believed to be the most effective form of managing outbreaks. This study examines traditional state space models (moving average, autoregressive, ARIMA, SARIMA), supervised learning techniques (XGBoost, SVM, KNN) and deep networks (LSTM, CNN, ConvLSTM) for forecasting weekly dengue cases in Singapore. Meteorological data and search engine trends were included as features for ML techniques. Forecasts using CNNs yielded lowest RMSE in weekly cases in 2019.
• Abstract（参考訳）: 伝統的に疫病が流行する地域を超えて、デング病の世界的な負担は最も急速に成長している地域の一つであると予測されている。 現在、直接治療やワクチン接種が限られているため、ベクターコントロールによる予防は、アウトブレイクを管理する最も効果的な方法であると広く信じられている。 本研究では,シンガポールにおける週次デング症例の予測のために,従来の状態空間モデル(平均,自己回帰,ARIMA,SARIMA),教師あり学習技術(XGBoost,SVM,KNN),深層ネットワーク(LSTM,CNN,ConvLSTM)について検討した。 ML技術の特徴として,気象データと検索エンジンのトレンドが挙げられた。 CNNによる予測は、2019年の週例で最低のRMSEとなった。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• FWin transformer for dengue prediction under climate and ocean influence [1.6114012813668932]
  デング熱は最も致命的な蚊由来の熱帯感染症の1つである。 本研究では,長期予測のためのデング症例の予測法について検討した。
  論文  参考訳（メタデータ） (2024-03-10T19:20:55Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
  本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。 われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
  論文  参考訳（メタデータ） (2021-09-24T17:40:08Z)
• 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)
• Deep learning via LSTM models for COVID-19 infection forecasting in India [13.163271874039191]
  卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T09:19:10Z)
• 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)
• A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
  我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。 イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-14T07:04:57Z)
• 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)
• A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models [53.900779250589814]
  提案手法は,2日前の安定かつ正確な予測を行うことができる。 我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
  論文  参考訳（メタデータ） (2020-04-08T14:39:32Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。