Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Intégration des caractéristiques spatiotemporelles dans LSTM pour une prévision spatialement informée des hospitalisations liées à la COVID-19

Created by
  • Haebom

Auteur

Zhongying Wang, Thoai D. Ngo, Hamidreza Zoraghein, Benjamin Lucas, Morteza Karimzadeh

Contour

Cet article présente un nouveau cadre de mémoire à long terme à flux parallèle (LSTM) pour prédire les hospitalisations quotidiennes par semaine aux États-Unis. Afin de remédier à l'inexactitude des modèles de prédiction existants pendant la pandémie de COVID-19, nous intégrons la proximité sociale des hospitalisations (SPH), une caractéristique spatiotemporelle basée sur l'indice de connectivité sociale de Meta. La SPH capture la dynamique de transmission dans l'espace et le temps en reflétant les mouvements de population hebdomadaires. Notre modèle capture les dépendances temporelles à court et à long terme, et ajuste la cohérence et l'erreur de prédiction grâce à une stratégie d'ensemble multihorizontale. La supériorité du modèle proposé est confirmée par une évaluation comparative avec les modèles d'ensemble de centres de prédiction de la COVID-19 pendant les périodes de propagation du variant Delta et d'Omicron. En particulier, pendant la période de propagation du variant Omicron, les performances de prédiction sont améliorées en moyenne de 27, 42, 54 et 69 hospitalisations par semaine pour les périodes de prévision de 7, 14, 21 et 28 jours, respectivement. Nous validons le pouvoir prédictif du SPH grâce à des expériences de suppression de données, soulignant l’importance des caractéristiques spatio-temporelles dans la modélisation épidémiologique complexe de la propagation des maladies infectieuses.

Takeaways, Limitations

Takeaways:
Contribue à améliorer la précision de la prédiction du nombre de patients hospitalisés pour des maladies infectieuses telles que la COVID-19.
Démontrer l'efficacité de la modélisation prédictive utilisant des caractéristiques spatiotemporelles (SPH).
Présentation de l'utilité du cadre LSTM à flux parallèle et de la stratégie d'ensemble multi-horizontale.
Suggérant la possibilité d'utiliser des données externes telles que l'indice de connexion sociale de Meta.
Limitations:
Des recherches supplémentaires sont nécessaires sur la précision et la généralisabilité du SPH.
Les performances de généralisation du modèle à d’autres maladies infectieuses ou régions doivent être vérifiées.
Il faut tenir compte du coût de calcul et de la complexité du modèle.
Il convient de prendre en compte l’accessibilité des données et les problèmes de biais dus à la dépendance des données de meta.
👍