論文の概要: Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study

• arxiv url: http://arxiv.org/abs/2503.12813v2
• Date: Tue, 18 Mar 2025 03:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 10:31:28.892234
• Title: Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study
• Title（参考訳）: WOA-GWOパラメータ最適化を用いたCNN-LSTMを用いたハイブリッドディープラーニングによる疫学的予測:グローバルCOVID-19症例
• Authors: Mousa Alizadeh, Mohammad Hossein Samaei, Azam Seilsepour, Mohammad TH Beheshti,
• Abstract要約: 本研究では,感染症の時系列予測を推し進める新たな深層学習フレームワークを提案する。 本フレームワークは6大陸24カ国の新型コロナウイルス19症例データに適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Effective epidemic modeling is essential for managing public health crises, requiring robust methods to predict disease spread and optimize resource allocation. This study introduces a novel deep learning framework that advances time series forecasting for infectious diseases, with its application to COVID 19 data as a critical case study. Our hybrid approach integrates Convolutional Neural Networks (CNNs) and Long Short Term Memory (LSTM) models to capture spatial and temporal dynamics of disease transmission across diverse regions. The CNN extracts spatial features from raw epidemiological data, while the LSTM models temporal patterns, yielding precise and adaptable predictions. To maximize performance, we employ a hybrid optimization strategy combining the Whale Optimization Algorithm (WOA) and Gray Wolf Optimization (GWO) to fine tune hyperparameters, such as learning rates, batch sizes, and training epochs enhancing model efficiency and accuracy. Applied to COVID 19 case data from 24 countries across six continents, our method outperforms established benchmarks, including ARIMA and standalone LSTM models, with statistically significant gains in predictive accuracy (e.g., reduced RMSE). This framework demonstrates its potential as a versatile method for forecasting epidemic trends, offering insights for resource planning and decision making in both historical contexts, like the COVID 19 pandemic, and future outbreaks.
• Abstract（参考訳）: 効果的な疫病モデルが公衆衛生危機の管理に不可欠であり、病気の拡散を予測し、資源配分を最適化するための堅牢な方法が必要である。 本研究は、感染症の時系列予測を推し進める新たな深層学習フレームワークを導入し、重要なケーススタディとして、COVID-19データに適用した。 我々のハイブリッドアプローチは、畳み込みニューラルネットワーク(CNN)とLong Short Term Memory(LSTM)モデルを統合し、様々な領域にわたる疾患伝達の空間的・時間的ダイナミクスを捉える。 CNNは生の疫学的データから空間的特徴を抽出し、LSTMは時間的パターンをモデル化し、正確で適応可能な予測を行う。 性能を最大化するために、Whale Optimization Algorithm (WOA) と Gray Wolf Optimization (GWO) を組み合わせたハイブリッド最適化手法を用いて、学習率、バッチサイズ、学習エポックといったハイパーパラメータを微調整し、モデル効率と精度を向上させる。 ARIMAやスタンドアロンLSTMモデルなど,6大陸24カ国のCOVID-19ケースデータと比較すると,予測精度(RMSEの削減など)が統計的に有意な向上を示した。 この枠組みは、新型コロナウイルスのパンデミックや将来のアウトブレイクといった歴史的文脈において、リソース計画と意思決定の洞察を提供する、流行の傾向を予測する汎用的な方法としての可能性を実証している。

関連論文リスト

• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• 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)
• A novel approach for predicting epidemiological forecasting parameters based on real-time signals and Data Assimilation [3.4901787251083163]
  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。
  論文  参考訳（メタデータ） (2023-07-03T17:05:29Z)
• An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM [3.7555792840171787]
  本稿では,自己回帰モデル(AR)の解釈可能性と,長期記憶ニューラルネットワーク(LSTM)の予測能力が結合する新しいハイブリッドモデルを提案する。 我々の研究は、効率的かつ解釈可能なデータ駆動モデルを構築するための、新しい、そして有望な方向性を提供する。
  論文  参考訳（メタデータ） (2022-11-14T17:55:43Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• 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)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• 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)
• Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models [2.11622808613962]
  本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。 提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
  論文  参考訳（メタデータ） (2020-05-24T10:43:55Z)

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。