Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô Hình Không Thời Gian Đa Biến Của Đại Dịch COVID-19 Sử Dụng Tập Hợp Các Mạng ConvLSTM
Tóm tắt
Yếu tố R-naught cao của SARS-CoV-2 đã tạo ra một cuộc đua chống lại thời gian cho nhân loại, và điều này đòi hỏi các hành động kiềm chế nhanh chóng để kiểm soát sự lây lan. Trong tình huống như vậy, việc dự đoán không gian-thời gian chính xác trong ngắn hạn có thể giúp hiểu được động lực của sự lây lan trong một khu vực địa lý và xác định các điểm nóng. Tuy nhiên, do tính mới mẻ của căn bệnh này, chưa có nhiều dữ liệu cụ thể về bệnh được tạo ra. Điều này đặt ra một vấn đề khó khăn cho các phương pháp học máy trong việc xây dựng mô hình về sự lây lan của dịch bệnh từ dữ liệu. Một mô hình không gian-thời gian dựa trên tập hợp các mạng LSTM tích chập (ConvLSTM) được đề xuất có thể dự đoán sự lây lan của dịch bệnh với độ phân giải cao và độ chính xác trong một khu vực địa lý lớn. Phương pháp xây dựng đặc trưng tạo ra các khung không gian địa lý của các đặc trưng có hoặc không có thành phần thời gian dựa trên vĩ độ và kinh độ, do đó tránh cần một ma trận kề cụ thể cho vị trí. Mô hình đã được huấn luyện bằng dữ liệu có sẵn cho Hoa Kỳ và Ý. Nó đạt được tỷ lệ sai số tuyệt đối trung bình là 5,57% và 0,3% đối với tổng số trường hợp lây nhiễm dự đoán trong khoảng thời gian dự đoán 5 ngày cho Hoa Kỳ và Ý, tương ứng.
Từ khóa
#COVID-19 #Mô hình không gian-thời gian #Học máy #Convolutional LSTMTài liệu tham khảo
R.M. Neilan, S. Lenhart, Optimal vaccine distribution in a spatiotemporal epidemic model with an application to rabies and raccoons. J. Math. Anal. Appl. 378(2), 603–619 (2011)
V.E. Pitzer, C. Viboud, L. Simonsen, C. Steiner, C.A. Panozzo, W.J. Alonso, B.T. Grenfell, Demographic variability, vaccination, and the spatiotemporal dynamics of rotavirus epidemics. Science 325(5938), 290–294 (2009)
G. Xi, L. Yin, Y. Li, S. Mei, A deep residual network integrating spatial-temporal properties to predict influenza trends at an intra-urban scale, in Proceedings of the 2nd ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery (2018), pp. 19–28
S.H.I. Xingjian, Z. Chen, H. Wang, D.Y. Yeung, W.K. Wong, W.C. Woo, Convolutional LSTM network: a machine learning approach for precipitation nowcasting, in Advances in Neural Information Processing Systems (2015), pp. 802–810
M.M. Sajadi, P. Habibzadeh, A. Vintzileos, S. Shokouhi, F. Miralles-Wilhelm, A. Amoroso, Temperature and Latitude Analysis to Predict Potential Spread and Seasonality for Covid-19 (2020). Available at SSRN 3550308
C. Zhan, C. Tse, Y. Fu, Z. Lai, H. Zhang, Modelling and Prediction of the 2019 Coronavirus Disease Spreading in China Incorporating Human Migration Data (2020). Available at SSRN 3546051
P. Fine, K. Eames, D.L. Heymann, Herd immunity: a rough guide. Clin. Infect. Dis. 52(7), 911–916 (2011)
H.W. Hethcote, Qualitative analyses of communicable disease models. Math. Biosci. 28(3–4), 335–356 (1976)
S. Lee, S. Purushwalkam, M. Cogswell, D. Crandall, D. Batra, Why M Heads are Better Than One: Training a Diverse Ensemble of Deep Networks (2015). arXiv:1511.06314
L. Breiman, Bagging predictors. Mach. Learn. 24(2), 123–140 (1996)
S. Kullback, R.A. Leibler, On information and sufficiency. Ann. Math. Stat. 22(1), 79–86 (1951)
https://www.citypopulation.de/en/italy/admin/
China Data Lab, US COVID-19 Daily Cases with Basemap, Harvard Dataverse (2020). https://doi.org/10.7910/DVN/HIDLTK
Dipartimento della Protezione Civile, Coronavirus Disease 2019 (COVID-19) in Italy, Harvard Dataverse (2020). https://doi.org/10.7910/DVN/KDFYZW