論文の概要: Spatio-temporal stochastic graph-based learning for infectious disease forecasting

• arxiv url: http://arxiv.org/abs/2605.30662v1
• Date: Thu, 28 May 2026 23:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.292065
• Title: Spatio-temporal stochastic graph-based learning for infectious disease forecasting
• Title（参考訳）: 時空間確率グラフを用いた感染症予測学習
• Authors: Luz Stefani Sotomayor Valenzuela, Susanna Cramb, Darren Wraith,
• Abstract要約: 本稿では,定式化と不確実性処理を統合して新たな事例を予測するグラフベースのアーキテクチャを提案する。 提案手法は,大規模かつ小規模な地理ネットワークを単一モデルアーキテクチャ内にエンコードすることで実現可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal graph-based models have typically been used to forecast new cases of infectious diseases such as COVID-19 and chickenpox outbreaks. However, the use of stochastic modelling into their learning process has been surprisingly under-investigated and rarely considered entire data sets of large countries. As a result, it is unknown whether these models would provide accurate forecasts in real-world disease spread scenarios. In this work, we propose a spatio-temporal stochastic graph-based architecture that integrates a stochastic formulation and uncertainty approximation process to forecast new infectious disease cases. We find that our approach can adapt to encode large and small population geographical networks within a single model architecture. Using two real-world data sets, COVID-19 in the US and chickenpox in Hungary, we report an enhanced effect of the proposed architecture across predictions of the 2022 first wave for COVID-19 in the US and comparative results of chickenpox waves during 2012-2014 in Hungary. By benchmarking with four spatio-temporal graph-based models, quantitative results show competitive overall weekly performance of the proposed approach on forecasting new cases for all 3,218 US counties and all 20 Hungary counties. The proposed approach can represent overall epidemic progression relative to baselines, though with a one-step delay; while exhibiting a reduced sensitivity to high-frequency and low-amplitude variability.
• Abstract（参考訳）: 時空間グラフに基づくモデルは通常、新型コロナウイルスやニワトリ痘などの感染症の新しい症例を予測するために使われてきた。 しかし、その学習過程における確率的モデリングの使用は驚くほど過小評価され、大国のデータセット全体と見なされることはめったにない。 その結果、これらのモデルが現実世界の病気拡散シナリオの正確な予測を提供するかどうかは不明である。 本研究では, 確率的定式化と不確実性近似を融合した時空間確率グラフに基づくアーキテクチャを提案する。 提案手法は,大小集団の地理的ネットワークを単一モデルアーキテクチャ内にエンコードすることに適応する。 米国では2つの実世界のデータセット、米国ではCOVID-19、ハンガリーではチキンポックスを用いて、米国では2022年の第1波の予測と、ハンガリーでは2012-2014年にチキンポックス波の予測結果にまたがって提案されたアーキテクチャの強化効果を報告した。 4つの時空間グラフに基づくモデルを用いて、定量的結果から、米国3,218郡およびハンガリー20郡の新規症例の予測に関する提案手法の週ごとの競争成績が示された。 提案手法は,高頻度,低振幅の変動に対する感度を低下させながら,1ステップ遅れながら,ベースラインに対する全体的な流行の進行を表現できる。

関連論文リスト

• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• Inter-Series Attention Model for COVID-19 Forecasting [23.58411106491221]
  我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。 新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
  論文  参考訳（メタデータ） (2020-10-25T00:11:49Z)
• Backtesting the predictability of COVID-19 [0.0]
  我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。 パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。 いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
  論文  参考訳（メタデータ） (2020-07-22T13:18:00Z)
• 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)

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。