論文の概要: Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru

• arxiv url: http://arxiv.org/abs/2507.00031v1
• Date: Tue, 17 Jun 2025 23:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.396757
• Title: Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru
• Title（参考訳）: 空間的近傍融合による時空間予測の強化:ペルーにおけるCOVID-19モビリティを事例として
• Authors: Chuan Li, Jiang You, Hassine Moungla, Vincent Gauthier, Miguel Nunez-del-Prado, Hugo Alatrista-Salas,
• Abstract要約: ペルーのDCT(Digital Contact)アプリケーションから収集した大規模なデータセットを利用して、都市部におけるモビリティフローを予測する。 重要な課題は、ヘキサゴナルグリッドセル間の時空移動数の空間的間隔にある。 本稿では,各セルの特徴をH3近傍からの集約信号で拡張する,軽量でモデルに依存しない近傍核融合(SPN)技術を提案する。
• 参考スコア（独自算出の注目度）: 2.6983054732688045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of human mobility is critical for understanding epidemic spread and deploying timely interventions. In this work, we leverage a large-scale spatio-temporal dataset collected from Peru's national Digital Contact Tracing (DCT) application during the COVID-19 pandemic to forecast mobility flows across urban regions. A key challenge lies in the spatial sparsity of hourly mobility counts across hexagonal grid cells, which limits the predictive power of conventional time series models. To address this, we propose a lightweight and model-agnostic Spatial Neighbourhood Fusion (SPN) technique that augments each cell's features with aggregated signals from its immediate H3 neighbors. We evaluate this strategy on three forecasting backbones: NLinear, PatchTST, and K-U-Net, under various historical input lengths. Experimental results show that SPN consistently improves forecasting performance, achieving up to 9.85 percent reduction in test MSE. Our findings demonstrate that spatial smoothing of sparse mobility signals provides a simple yet effective path toward robust spatio-temporal forecasting during public health crises.
• Abstract（参考訳）: 人体移動の正確なモデリングは、流行の拡散とタイムリーな介入の展開を理解するために重要である。 本研究では,ペルーのDCT(Digital Contact Tracing)アプリケーションから収集した大規模な時空間データセットを利用して,都市部を横断する移動量の予測を行う。 重要な課題は、時空移動数の空間的間隔が六角形格子セルにまたがり、従来の時系列モデルの予測能力を制限することである。 そこで本研究では,H3近傍の集積信号で各セルの特徴を増強する,軽量でモデルに依存しない空間近傍融合(SPN)技術を提案する。 我々は,NLinear,PatchTST,K-U-Netの3つの予測バックボーン上で,様々な履歴入力長でこの戦略を評価する。 実験の結果,SPNは予測性能を継続的に改善し,最大9.85パーセントのMSEを低下させることがわかった。 本研究は, 空間的平滑化が, 公衆衛生危機時の時空間時空間予測に簡単かつ効果的であることを示すものである。

関連論文リスト

• Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting [1.0905169282633254]
  本研究は、米国における毎日の国家レベルのインシデント入院を予測するための、新しいLong Short-Term Memory(LSTM)フレームワークを提案する。 我々は,Facebookのソーシャル・コネクテッドネス・インデックス(Social Connectedness Index)から派生した,入院に対する社会的親和性(Social Proximity to Hospitalizations,SPH)という特徴を,予測を改善するために提示する。 われわれのモデルは、Omicronの急増中、州別27ドル、42ドル、54ドル、69ドルをそれぞれ24ドル、21ドル、28ドルと、それぞれ上回っている。
  論文  参考訳（メタデータ） (2025-06-06T05:22:11Z)
• Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-17T04:41:26Z)
• Where to Go Next Day: Multi-scale Spatial-Temporal Decoupled Model for Mid-term Human Mobility Prediction [7.720080504736431]
  本研究は,日常の移動パターンを把握し,次の日または週の移動経路を予測することを目的とした中期移動予測に対処する。 本研究では,空間情報と時間情報を効率的に抽出する多段階空間分離予測器(MSTDP)を提案する。 提案手法では,マルチスケールの時間パターンをモデル化する階層型エンコーダを用いて,日毎の繰り返しや週毎の周期などのパターンをモデル化し,トランスフォーマーベースのデコーダを用いて,位置や時間連鎖の予測情報へのグローバルな対応を行う。
  論文  参考訳（メタデータ） (2025-01-11T14:41:47Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• 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)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)

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。