A novel approach for predicting epidemiological forecasting parameters based on real-time signals and Data Assimilation

要約

この論文は、新しいソーシャルメディアベースの人口密度マップや大気質データなど、さまざまな情報源からの新しいリアルタイムシグナルを統合することにより、疫学パラメーターを予測する新しいアプローチを提案します。
私たちは、さまざまなデータ ソースと融合手法を使用して畳み込みニューラル ネットワーク (CNN) モデルのアンサンブルを実装し、堅牢な予測を構築し、政策立案者の意思決定プロセスを改善できるいくつかの動的パラメーターをシミュレートします。
さらに、データ同化を使用して、融合された CNN 予測からシステムの状態を推定しました。
気象信号とソーシャルメディアベースの人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルス感染症の発生予測のパフォーマンスと柔軟性が向上しました。
提案されたアプローチは、疾病予測 (SEIR) で伝統的に使用されているコンパートメント モデルなどの標準モデルよりも優れていますが、堅牢で一貫した予測を生成することで、精度を向上させながらモデルの安定性を高めることができます。

要約(オリジナル)

This paper proposes a novel approach to predict epidemiological parameters by integrating new real-time signals from various sources of information, such as novel social media-based population density maps and Air Quality data. We implement an ensemble of Convolutional Neural Networks (CNN) models using various data sources and fusion methodology to build robust predictions and simulate several dynamic parameters that could improve the decision-making process for policymakers. Additionally, we used data assimilation to estimate the state of our system from fused CNN predictions. The combination of meteorological signals and social media-based population density maps improved the performance and flexibility of our prediction of the COVID-19 outbreak in London. While the proposed approach outperforms standard models, such as compartmental models traditionally used in disease forecasting (SEIR), generating robust and consistent predictions allows us to increase the stability of our model while increasing its accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google