Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le premier modèle apprenant profond caractéristique caractéristique peut prévoir la manifestation COVID-19 deux semaines à l'avance

Le comportement social des gens, réfléchi dans leurs caractéristiques de mobilité, fournit à des scientifiques une voie de prévoir l'écart de COVID-19 au niveau national au niveau du comté. Les chercheurs de l'université de l'ingéniérie de l'université atlantique de la Floride et de l'informatique et des collaborateurs ont développé le premier modèle apprenant profond caractéristique caractéristique avec le potentiel de prévoir une manifestation dans les affaires COVID-19 deux semaines à l'avance. Les découvertes de cette étude ont des implications importantes pour manager les pandémies universelles ainsi que futures actuelles.

Pour l'étude, publié dans le tourillon de grandes caractéristiques, chercheurs a intégré des caractéristiques de piloter-mobilité rassemblées par les statistiques APP, COVID-19 de plans de pomme et la démographie comté comté de 531 comtés aux Etats-Unis. Ils ont formé leur modèle apprenant (LSTM) profond de longue mémoire à court terme pour capter l'effet des réactions de gouvernement sur les cas COVID-19 ainsi que de l'influence de l'âge sur l'écart de COVID-19.

les modèles caractéristique Caractéristique peuvent apprendre de l'histoire de la maladie. Par exemple, ils peuvent employer des caractéristiques de mobilité telles que le transport et la marche, qui fournit un changement de temps quasi-réel des configurations de mouvement, d'étudier l'effet du comportement social sur le régime de reproduction. Une augmentation de mobilité montre une augmentation de l'interaction entre les gens, particulièrement dans les endroits avec la densité de population élevée. Par conséquent, alimenter les caractéristiques de mobilité aux modèles de prévisions épidémiologiques aide à estimer l'accroissement COVID-19 ainsi qu'à évaluer les effets des politiques gouvernementales telles qu'exiger des masques sur l'écart de COVID-19. »

Behnaz Ghoraani, Ph.D., auteur supérieur, professeur agrégé dans le service du génie électrique et de l'informatique ; et camarade de l'institut de FAU pour la détection et l'ingénierie des systèmes incluse de réseau (I-SENSE)

Pour l'étude, les chercheurs ont exploré la démographie de trois âges : jeunes adultes, adultes et retraités. À chaque population d'âge, ils ont recensé les comtés avec des gens plus grands qu'un pourcentage. Par exemple, à chaque population d'âge, ils ont recensé les comtés où 10 pour cent de leur population sont jeunes et ont prévu les cas quotidiens de moyenne. Ils ont augmenté le seuil de 10 pour cent jusqu'à 70 pour cent et répété l'analyse.

Les résultats ont prouvé que les cas quotidiens de moyenne ont diminué avec une augmentation du pourcentage de retraité et ont augmenté avec l'augmentation de pourcentage de jeune population. Les cas quotidiens de moyenne ont doublé quand la jeune population a grimpé de 10 jusqu'à 20 pour cent et ont triplé une fois grimpés jusqu'à 30 pour cent. La configuration inverse s'est produite avec l'augmentation du pourcentage des retraités.

Les chercheurs ont exécuté une analyse détaillée pour valider que les prévisions de leur modèle ont réfléchi les mêmes configurations dans les cas réels en ce qui concerne les changements des règlements de gouvernement et de la démographie universels de l'âge des comtés.

« Changez dans des polices de lockdown, mandats de masque, et d'autres réactions de gouvernement influencent directement les caisses COVID-19 quotidiennes. Par conséquent, les prévisions modèles des cas quotidiens de deux semaines doivent réfléchir que choc comme montré par les cas de deux semaines accumulés réels, » a indiqué Borko Furht, Ph.D., co-auteur, professeur, service d'ordinateur et de génie électrique et de l'informatique, et directeur de l'industrie (NSF) de National Science Foundation/du centre de recherche coopératif d'université pour l'Enablement avancé de la connaissance (GÂTEAU). La « prévision écartée au niveau du comté représente l'influence des polices locales à basse altitude et aidera à fournir de meilleures prévisions pour supporter des prévisions de ressortissant et de condition. Par exemple, des prévisions à court terme des cas accumulés peuvent être employées pour planification et décider si ou non un lockdown est nécessaire. »

Les chercheurs ont recherché des caractéristiques dynamiques du 15 février 2020 au 22 janvier, et ont filtré les comtés avec une densité de population de moins de 150 personnes selon le mille carré. Ils ont formé le modèle de LSTM pour apprendre comment le passé et le numéro actuel des cas et de la mobilité des gens influencent de futures caisses. Ils ont employé les caractéristiques de 424 comtés plus de 168 jours pour former et de 107 comtés plus de 168 jours pour la validation. Le modèle a eu comme conséquence une corrélation significative une fois vérifié sur l'intervalle depuis le 1er août 2020 jusqu'au 22 janvier. Il pouvait prévoir une augmentation et également une diminution de tout le nombre de cas.

« Le modèle apprenant profond développé par nos chercheurs est particulièrement approprié maintenant car les cas de la variante de triangle escaladent en Floride et dans tout le pays, » a dit Stella Batalama, Ph.D., doyen, université de l'ingéniérie et de l'informatique. « Beaucoup de populations infectées restent asymptomatiques tout en écartant le virus, l'effectuant contestant pour que les modèles mécanistes traditionnels prévoient une manifestation prochaine exactement. Le travail à côté des professeurs Ghoraani et Furht et nos collaborateurs des solutions de risque de Lexis-Nexis a des demandes significatives de management efficace des manifestations universelles et futures, qui a le potentiel de sauver des durées et de continuer nos économies prospérer. »

Source:
Journal reference:

Hssayeni, M.D., et al. (2021) The forecast of COVID-19 spread risk at the county level. Journal of Big Data. doi.org/10.1186/s40537-021-00491-1.