Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Primo da modello d'apprendimento profondo guidato da dati può predire in anticipo lo scoppio COVID-19 due settimane

Il comportamento sociale della gente, riflesso nei loro dati di mobilità, sta fornendo agli scienziati un modo prevedere la diffusione di COVID-19 in tutta la nazione al livello della contea. I ricercatori dall'informatica della facoltà di ingegneria e dell'università atlantica di Florida ed i collaboratori hanno sviluppato il primo dal modello d'apprendimento profondo guidato da dati con il potenziale di predire in anticipo uno scoppio in casi COVID-19 due settimane. I risultati da questo studio hanno implicazioni importanti per la gestione delle pandemie pandemiche come pure future correnti.

Per lo studio, pubblicato nel giornale di grandi dati, i ricercatori hanno integrato i dati di guidare-mobilità raccolti dalle statistiche App, COVID-19 delle mappe di Apple e dei dai dati demografici livelli della contea da 531 contea negli Stati Uniti. Hanno preparato il loro modello d'apprendimento profondo (LSTM) lungo di memoria a breve termine per catturare l'effetto delle risposte di governo sui casi COVID-19 come pure l'effetto dell'età sulla diffusione di COVID-19.

da modelli guidati da dati possono imparare dalla cronologia della malattia. Per esempio, possono usare i dati di mobilità come trasporto e camminata, che fornisce un cambiamento di tempo reale vicino nei reticoli del movimento, imparare l'effetto di comportamento sociale sulla tariffa di riproduzione. Un aumento nella mobilità mostra un aumento nell'interazione fra la gente, particolarmente nelle aree con alta densità demografica. Di conseguenza, introdurre i dati di mobilità ai modelli di previsioni epidemiologici contribuisce a stimare la crescita COVID-19 come pure a valutare gli effetti delle polizze di governo come mandato delle maschere in mandato sulla diffusione di COVID-19.„

Behnaz Ghoraani, Ph.D., autore senior, professore associato nel dipartimento di ingegneria elettrica ed informatica; e collega dell'istituto di FAU per la percezione e la sistemistica inclusa della rete (I-SENSE)

Per lo studio, i ricercatori hanno esplorato i dati demografici delle tre età: giovani adulti, adulti e pensionati. Per ogni popolazione dell'età, hanno identificato le contee con la gente maggior di una percentuale. Per esempio, per ogni popolazione dell'età, hanno identificato le contee in cui 10 per cento della loro popolazione sono giovani ed hanno calcolato i casi quotidiani di media. Hanno aumentato la soglia di 10 per cento fino a 70 per cento ed hanno ripetuto l'analisi.

I risultati hanno indicato che i casi quotidiani di media sono diminuito con un aumento nella percentuale del pensionato e sono aumentato con l'aumento di percentuale della giovane popolazione. I casi quotidiani di media si sono raddoppiati quando la giovane popolazione è aumentato da 10 a 20 per cento ed hanno triplicato una volta aumentati a 30 per cento. Il reticolo inverso è accaduto con l'aumento nella percentuale dei pensionati.

I ricercatori hanno eseguito un'analisi dettagliata per convalidare che le previsioni dal loro modello hanno riflesso gli stessi reticoli nei casi reali riguardo ai cambiamenti nei regolamenti di governo e nei dati demografici pandemici dell'età delle contee.

“Cambi nelle polizze del lockdown, i mandati della maschera ed altre risposte di governo direttamente urtano le casse quotidiane COVID-19. Quindi, le previsioni di modello dei casi quotidiani di due settimane devono riflettere che impatto come indicato dalle casse di due settimane accumulate reali,„ ha detto Borko Furht, Ph.D., co-author, professore, dipartimento del computer e dell'ingegneria elettrica e l'informatica e Direttore dell'industria (NSF) del National Science Foundation/del centro ricerca cooperativo dell'università per l'abilitazione avanzata di conoscenza (DOLCE). “Predire sparsa al livello della contea rappresenta l'influenza dei criteri locali a basso livello e contribuirà a fornire le migliori previsioni per supportare le previsioni di stato e del cittadino. Per esempio, le previsioni a breve termine delle casse accumulate possono essere usate per pianificazione e decidere indipendentemente da fatto che un lockdown è necessario.„

I ricercatori hanno recuperato i dati dinamici dal 15 febbraio 2020 al 22 gennaio ed hanno filtrato le contee con una densità demografica di meno che 150 persone per miglio quadrato. Hanno preparato il modello di LSTM per imparare come l'esperienza ed il numero corrente dei casi e della mobilità della gente urtano le casse future. Hanno usato i dati di 424 contee oltre i 168 giorni per la formazione e di 107 contee oltre i 168 giorni per la convalida. Il modello ha provocato una correlazione significativa una volta provato dal 1° agosto 2020 sull'intervallo fino al 22 gennaio. Poteva da predire un aumento ed anche una diminuzione nel numero totale dei casi.

“Il modello d'apprendimento profondo sviluppato dai nostri ricercatori è particolarmente pertinente ora poichè i casi della variante di delta intensificano in Florida ed in tutto la nazione,„ ha detto l'informatica di Stella Batalama, di Ph.D., di decano, della facoltà di ingegneria e. “Molte popolazioni infettate rimangono asintomatiche mentre spargono il virus, facente lo che sfida affinchè i modelli meccanicistici tradizionali predicano esattamente uno scoppio imminente. Il lavoro dai professor Ghoraani e Furht ed i nostri collaboratori dalle soluzioni di rischio di Vocabolario-Nexis ha domande significative di efficace gestione degli scoppi pandemici e futuri, che ha il potenziale di salvare le vite e tenere le nostre economie prosperare.„

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.