論文の概要: Prior Knowledge-enhanced Spatio-temporal Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2602.22270v1
• Date: Wed, 25 Feb 2026 07:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.340908
• Title: Prior Knowledge-enhanced Spatio-temporal Epidemic Forecasting
• Title（参考訳）: 事前知識強調時空間エピデミック予測
• Authors: Sijie Ruan, Jinyu Li, Jia Wei, Zenghao Xu, Jie Bao, Junshi Xu, Junyang Qiu, Hanning Yuan, Xiaoxiao Wang, Shuliang Wang,
• Abstract要約: 新しいフレームワークは、流行を予測するために暗黙の事前と専門家の事前を統合する。 実世界のデータセットの実験では、STOEPはRMSEにおいて最高基準COを11.1%上回っている。 システムは、ダウンストリームアプリケーションを容易にするために、中国の1つの州CDCにデプロイされている。
• 参考スコア（独自算出の注目度）: 15.779777731878228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal epidemic forecasting is critical for public health management, yet existing methods often struggle with insensitivity to weak epidemic signals, over-simplified spatial relations, and unstable parameter estimation. To address these challenges, we propose the Spatio-Temporal priOr-aware Epidemic Predictor (STOEP), a novel hybrid framework that integrates implicit spatio-temporal priors and explicit expert priors. STOEP consists of three key components: (1) Case-aware Adjacency Learning (CAL), which dynamically adjusts mobility-based regional dependencies using historical infection patterns; (2) Space-informed Parameter Estimating (SPE), which employs learnable spatial priors to amplify weak epidemic signals; and (3) Filter-based Mechanistic Forecasting (FMF), which uses an expert-guided adaptive thresholding strategy to regularize epidemic parameters. Extensive experiments on real-world COVID-19 and influenza datasets demonstrate that STOEP outperforms the best baseline by 11.1% in RMSE. The system has been deployed at one provincial CDC in China to facilitate downstream applications.
• Abstract（参考訳）: 時空間の流行予測は公衆衛生管理にとって重要であるが、既存の手法では、弱い流行信号に対する感受性、過度に単純化された空間関係、不安定なパラメータ推定に苦慮することが多い。 これらの課題に対処するために、暗黙の時空間事前と明示的な専門家事前を統合する新しいハイブリッドフレームワークであるSTOEP(Spatio-Temporal priOr-aware Epidemic Predictor)を提案する。 STOEPは,(1)歴史的感染パターンを用いた移動型地域依存を動的に調整するケース・アウェア・アジャシエンス・ラーニング(CAL),(2)弱い流行信号を増幅するために学習可能な空間的事前情報を利用するスペース・インフォームド・パラメータ推定(SPE),(3)専門的誘導型適応しきい値設定戦略を用いたFMF(フィルタベースメカニスティック・フォアキャスティング)の3つの主要構成要素から構成される。 現実世界のCOVID-19とインフルエンザのデータセットに関する大規模な実験は、STOEPがRMSEで11.1%、最高のベースラインを上回っていることを示している。 このシステムは、ダウンストリームアプリケーションを容易にするために、中国の1つの州CDCに配備されている。

関連論文リスト

• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• EpiLLM: Unlocking the Potential of Large Language Models in Epidemic Forecasting [2.9557992468454533]
  大規模言語モデル(LLM)は、ドメイン固有のタスクの基礎モデルとして有効であることを示した。 EpiLLMの最近の進歩は、現実世界のCOVID-19データセットの既存のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-19T05:53:25Z)
• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  本稿では,先進的な深層学習技術と機械的疫学の原則を融合させるEGDL手法を提案する。 我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。 全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Towards the efficacy of federated prediction for epidemics on networks [5.719600613434056]
  我々は、フェデレートラーニング(FL)に基づく疫病ネットワーク上のノードレベルの予測のための一般的なプライバシレベルフレームワークを開発する。 本研究は,疫病管理におけるFLシナリオの有効性に関する実践的な知見を提供する。
  論文  参考訳（メタデータ） (2024-12-03T04:37:28Z)
• A Strategy Transfer and Decision Support Approach for Epidemic Control in Experience Shortage Scenarios [0.0]
  プロファイル類似性評価に基づいて戦略伝達・決定支援手法(STDSA)を提案する。 本研究は、経験不足地域における疫病の予防と対策に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2024-04-10T02:25:27Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• 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)

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。