Mar, 2020

利用在线搜索追踪 COVID-19

PDF
TL;DR本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。
covid-19online searchmodelling techniquespublic health surveillanceshort-term forecasting
发现论文，激发创造
  • 新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

    本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

    Apr, 2020

  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020

  • 自我报告的症状能否预测每日 COVID-19 病例？

    本研究开发了机器学习模型，利用自我报告的症状估计 COVID-19 的患病率，并通过在线平台采集的众包数据展示了这些模型可以在成本效益高的情况下补充现有的流行病学监测基础设施。

    May, 2021

  • Twitter 对话预测每日 COVID-19 确诊病例

    本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析，探究社交媒体对疫情预测的作用，结果表明加入社交媒体变量可以改进疫情预测模型的准确性，并发布全球的 MegaGeoCOV 数据集，以帮助更好地理解全球疫情的动态。

    Jun, 2022

  • 利用搜索查询日志和智能手机用户位置信息进行综合监测，以应对日本 COVID-19 簇集

    该研究采用 Web 搜索查询日志和智能手机用户位置信息来捕捉日本北海道 2020 年 2 月发现的两个 COVID-19 簇，结果表明该方法在簇形成的早期阶段非常准确，对于其他簇相关资源不可用的情况，提出的度量标准将对发现新簇的线索有所帮助。

    Apr, 2020

  • 可视化 COVID-19 研究

    本文提供了一种结合大型数据建模、信息制图和趋势分析的新型自动化主题可视化方法，用于快速发现 COVID-19 疫情下的主题和研究资源，结果显示了有关社交隔离、医疗话题、病毒在不同地区的演变轨迹等信息，同时也表明了迫切需要快速自动化地进行大规模数据的搜索和浏览。

    May, 2020

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • 维基百科全球疾病监测与预测

    本文提出了一种新的基于维基百科网页访问日志的监测传染病的方案，并且通过实验证明这种方法具有高准确性和预测能力，可以用于全球各地的使用。

    May, 2014

  • 利用网络搜索和移动数据的社会意识多波 COVID-19 预测

    本研究提出了一个基于社交意识图神经网络（SAB-GNN）的预测模型，通过考虑病征相关搜索频率的下降来捕捉公众意识在疫情多波次间的变化，以实现对疫情多次爆发进行预测，并利用日本东京地区的移动和网络搜索数据进行模型训练，结果表明该模型在预测未来疫情爆发方面优于 ST-GNN、MPNN 和 GraphLSTM 等现有模型。

    Oct, 2021