論文の概要: Utilizing Dynamic Time Warping for Pandemic Surveillance: Understanding the Relationship between Google Trends Network Metrics and COVID-19 Incidences
- arxiv url: http://arxiv.org/abs/2504.17146v2
- Date: Tue, 29 Apr 2025 14:46:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.204998
- Title: Utilizing Dynamic Time Warping for Pandemic Surveillance: Understanding the Relationship between Google Trends Network Metrics and COVID-19 Incidences
- Title（参考訳）: パンデミックサーベイランスのための動的時間ワープの利用:Google Trends Network MetricsとCOVID-19の頻度との関係を理解する
- Authors: Michael T. Lopez II, Cheska Elise Hung, Maria Regina Justina E. Estuar,
- Abstract要約: 時間的アライメントは、ネットワークメトリクスと新型コロナウイルスのケーストラジェクトリの間で定量化されました。
この戦略は、パンデミックの期間中にフィリピンのオンライン利用を広範囲に利用し、病気が広まる可能性を秘めている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The premise of network statistics derived from Google Trends data to foresee COVID-19 disease progression is gaining momentum in infodemiology. This approach was applied in Metro Manila, National Capital Region, Philippines. Through dynamic time warping (DTW), the temporal alignment was quantified between network metrics and COVID-19 case trajectories, and systematically explored 320 parameter configurations including two network metrics (network density and clustering coefficient), two data preprocessing methods (Rescaling Daily Data and MSV), multiple thresholds, two correlation window sizes, and Sakoe-Chiba band constraints. Results from the Kruskal-Wallis tests revealed that five of the six parameters significantly influenced alignment quality, with the disease comparison type (active cases vs. confirmed cases) demonstrating the strongest effect. The optimal configuration, which is using the network density statistic with a Rescaling Daily Data transformation, a threshold of 0.8, a 15-day window, and a 50-day radius constraint, achieved a DTW score of 36.30. This indicated substantial temporal alignment with the COVID-19 confirmed cases data. The discoveries demonstrate that network metrics rooted from online search behavior can serve as complementary indicators for epidemic surveillance in urban locations like Metro Manila. This strategy leverages the Philippines' extensive online usage during the pandemic to provide potentially valuable early signals of disease spread, and offers a supplementary tool for public health monitoring in resource-limited situations.
- Abstract（参考訳）: Google Trendsのデータから得られたネットワーク統計の前提は、新型コロナウイルス感染症の進行を予測し、インフォデミロジーで勢いを増している。
このアプローチはフィリピンの首都圏のメトロマニラで適用された。
ネットワークメトリクス(ネットワーク密度とクラスタリング係数)、2つのデータ前処理方法(デイリーデータとMSVの再スケーリング)、2つのしきい値、2つの相関ウィンドウサイズ、2つの相関ウィンドウサイズ、およびSikoe-Chibaバンド制約を含む320のパラメータ構成を体系的に検討した。
Kruskal-Wallis 試験の結果,6項目のうち5項目がアライメント品質に有意な影響を与え,疾患比較型(有効例と陽性例)が最効果を示した。
最適構成は、Rescaling Daily Data変換によるネットワーク密度統計値、0.8の閾値、15日間の窓、50日間の半径制限を用いており、DTWスコアは36.30である。
これは、新型コロナウイルスの感染が確認されたケースデータと相当な時間的一致を示した。
この発見は、オンライン検索行動に由来するネットワークメトリクスが、メトロマニラのような都市部における疫病の監視を補完する指標となることを実証している。
この戦略は、パンデミック中のフィリピンの広範囲にわたるオンライン利用を活用して、病気の拡散の潜在的に価値のある早期シグナルを提供し、資源に制限のある状況における公衆衛生モニタリングのための補助ツールを提供する。
関連論文リスト
- Network Density Analysis of Health Seeking Behavior in Metro Manila: A Retrospective Analysis on COVID-19 Google Trends Data [0.0]
本研究では,フィリピン首都圏のマニラ都市圏におけるCOVID-19関連健康診察行動の時間的側面について検討した。
2020年3月から2021年3月までの15日間および30日間の転がり窓を用いて,5つのカテゴリーにまたがる15のキーワードを調査した。
論文 参考訳（メタデータ） (2025-03-27T05:11:57Z) - Leveraging graph neural networks and mobility data for COVID-19 forecasting [37.9506001142702]
新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。
移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。
ここでは、GCRN(Graph Convolutional Recurrent Network)とGTM(Graph Convolutional Long ShortTerm Memory)について検討する。
目標は、人間の移動ネットワークを活用して、ブラジルと中国の新型コロナウイルス感染者の将来の価値を予測することである。
論文 参考訳（メタデータ） (2025-01-20T19:52:31Z) - Small Area Estimation of Case Growths for Timely COVID-19 Outbreak
Detection [4.478818286947472]
新型コロナウイルス(COVID-19)のパンデミックは世界経済に大きな影響を与え、人間の生活に大きな被害を与え続けている。
新型コロナウイルス(COVID-19)の感染拡大率は、流行の回復の効果的な検出と封じ込めを見積り、監視するための重要な疫学的パラメータである。
成長速度の推定とそれによるアウトブレイク検出における根本的な課題は、精度と速度のトレードオフのバランスにある。
我々は、この精度と速度のトレードオフをバランスさせる、Transfer Learning Generalized Random Forest (TLGRF)と呼ばれる機械学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-07T07:53:00Z) - Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph
Diffusion Infomax [40.18153418511126]
非薬剤干渉(NPI)は、人の接触を減らすことで、新型コロナウイルスの感染を遅らせる効果を示した。
本研究は、モビリティモデリングに焦点を当て、新型コロナウイルスの患者が訪れる場所を予測することを目的としている。
本稿では,DGDI (Deep Graph Diffusion Infomax) というモデルを提案する。
論文 参考訳（メタデータ） (2022-12-12T05:15:47Z) - An Interactive Dashboard for Real-Time Analytics and Monitoring of
COVID-19 Outbreak in India: A proof of Concept [0.0]
データサイエンス技術を用いてSARS-CoV-2流行に追従する複数の指標のデータ可視化と分析のためのダッシュボードアプリケーションを開発した。
時間的傾向, 流行曲線, 成長率, 倍増時間, 有効再生数などの主要な疫学的パラメータを含む, インタラクティブでユーザフレンドリな, 基本的な疫学的監視のための地域レベルのツールが推定された。
論文 参考訳（メタデータ） (2021-08-23T05:14:12Z) - 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) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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。