論文の概要: Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning

• arxiv url: http://arxiv.org/abs/2606.22171v1
• Date: Sat, 20 Jun 2026 17:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:19:44.943797
• Title: Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning
• Title（参考訳）: 時系列を超えて:マルチモーダル学習によるエピデミック予測のための空間推論
• Authors: Diana Guadalupe Gomez, Chenwei Wu, Zhiyi Wang, Liyue Shen, Alexander Rodríguez,
• Abstract要約: 本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 50.948271066372826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Epidemic forecasting models typically rely on surveillance data reported over administrative regions, treating them as atomic units, thereby obscuring sub-regional spatial structure that shapes disease dynamics. We introduce a spatially structured multimodal epidemic forecasting setting that integrates region-level temporal surveillance data with spatially localized auxiliary signals that are misaligned in resolution and structure, reflecting realistic public health reporting constraints. Building on this formulation, we propose M-SPICE (Multimodal SPatIal Context for Epidemic Forecasting), a structure-aware spatiotemporal forecasting framework that performs joint reasoning over temporal disease dynamics and spatial context via attention-based multimodal fusion, allowing spatial signals to selectively condition temporal representations across forecast horizons. We evaluate our approach on real-world COVID-19, influenza, and influenza-like illness (ILI) forecasting tasks under realistic real-time evaluation protocols. Across all forecasting settings, our method consistently outperforms state-of-the-art multivariate time-series, multimodal, and epidemiological forecasting baselines while maintaining strong probabilistic forecasting performance. Finally, interpretability analyses reveal when, where, and how spatial signals are leveraged, highlighting settings in which purely temporal, region-aggregated models are most likely to fail.
• Abstract（参考訳）: 疫学予測モデルは通常、行政領域で報告された監視データに依存し、それらを原子単位として扱うことにより、病気のダイナミクスを形成する部分領域空間構造を隠蔽する。 本研究では,地域レベルの時間的監視データと空間的局所的な補助信号とを融合した空間的構造を持つマルチモーダル流行予測環境を導入し,現実的な公衆衛生報告の制約を反映した。 この定式化に基づいて,M-SPICE (Multimodal SPatIal Context for Epidemic Forecasting) を提案する。これは,時間的疾患のダイナミックスと空間的コンテキストの同時推論を,注意に基づく多モーダル融合により行い,空間的信号が予測地平線を越えて時間的表現を選択的に条件付けることができる構造対応の時空間予測フレームワークである。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(ILI)の予測課題に対するアプローチを評価した。 全ての予測設定において,本手法は高い確率予測性能を維持しつつ,最先端の多変量時系列,マルチモーダル,疫学的予測ベースラインを一貫して上回っている。 最後に、解釈可能性分析は、いつ、どこで、どのように空間信号が利用されるかを明らかにし、純粋に時間的、領域集約モデルが失敗する可能性が最も高い設定をハイライトする。

関連論文リスト

• Understanding Key Features of Time Series Foundation Models from Epidemic Forecasting [1.7191952770783792]
  季節性インフルエンザは何百万人もの人に感染し、毎年アメリカ合衆国で深刻な死亡率と死亡率を引き起こす。 予防接種時期, 病院職員, 資源配分など, 予防接種時期の信頼性を予測できる。 インフルエンザ様疾患のサーベイランスとインフルエンザ関連入院時間時系列を用いた地域インフルエンザ予報の評価を行った。
  論文  参考訳（メタデータ） (2026-06-17T20:01:48Z)
• Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance [16.190938610237588]
  既存の方法はパフォーマンスのボトルネックに直面し、通常はインクリメンタルな利得しか得られない。 我々はこのボトルネックを空間的・時間的エントロピー測定によって分析する。 空間的特徴表現と時間的特徴表現を調和させるスケーラブルで適応的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T06:29:26Z)
• Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics [0.0]
  しばしば、モデルによって生成されたポイント予測は、将来の流行の出来事に不確実性を割り当てるには信頼できない。 本稿では,低頻度流行データセット上での高精度で信頼性の高い確率予測を生成するための深層分析手法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:38:45Z)
• A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting [0.0]
  ForecastNet-XCLは、RSVのリアルタイム監視にアクセスすることなく、気候や時間データに基づいて、100週間前の正確なRSV予測を生成する。 ForecastNet-XCLは、統計ベースライン、個々のニューラルネット、および従来のアンサンブル手法を、内部およびクロスステートのシナリオで確実に上回った。
  論文  参考訳（メタデータ） (2025-10-22T14:04:42Z)
• Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
  MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。 香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。 モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
  論文  参考訳（メタデータ） (2025-09-10T13:27:40Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)

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。