Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting

Created by
  • Haebom

作者

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

概要

本論文は、米国内の毎日の入院患者数を予測するための新しいパラレルストリーム長短期記憶(LSTM)フレームワークを提示します。 COVID-19ファンデミック中の変異ウイルスの拡散の時点での既存の予測モデルの不正確さの問題を解決するために、メタの社会的接続指数に基づく空間時間的特徴である社会的入院近接性(SPH)を統合しました。 SPHは毎週の人口移動を反映して、空間と時間にわたる電波力学を捉えます。本研究のモデルは短期と長期の時間依存性の両方をキャプチャし、複数の水平アンサンブル戦略を通じて予測の一貫性と誤差を調整します。デルタおよびオミクロン変異の拡散期間中にCOVID-19予測ハブアンサンブルモデルと比較評価した結果,提示モデルの優秀性を確認した。特に、オミクロン変異の拡散期間中、7日、14日、21日、28日の予測期間において、それぞれ週あたり平均27、42、54、69人の入院患者数と同様に予測性能が向上しました。データ除去実験により、SPHの予測力を確認し、感染症の広がりの複雑な力学モデリングにおける空間的時間的特徴の重要性を強調した。

Takeaways、Limitations

Takeaways:
COVID-19などの感染症の入院患者数の予測精度向上に寄与
空間時間的特徴(SPH)を利用した予測モデリングの有効性を実証。
並列ストリームLSTMフレームワークと多重水平アンサンブル戦略の有効性を提示
メタの社会的連結指数のような外部データの利用可能性の提示
Limitations:
SPHの精度と一般化の可能性に関するさらなる研究が必要
他の感染症や地域のモデルの一般化性能検証が必要です。
モデルの計算コストと複雑さを考慮する必要性
メタのデータ依存性によるデータのアクセシビリティと偏向の問題を考慮する必要性
👍