Nov, 2020

condLSTM-Q: 一种新的深度学习模型，用于预测 Covid-19 在精细地理尺度上的死亡率

PDF
TL;DR该研究提出了基于条件长短期记忆网络和分位数输出的预测模型 (condLSTM-Q)，该模型在不同空间 - 时间尺度下能够准确预测 COVID-19 疫情的死亡人数。该模型的精细地理尺度可以帮助州级政府协调资源，同时其可扩展性和通用性也保证了其广泛适用性。
发现论文，激发创造
  • 将 LSTMs 和 GNNs 集成用于 COVID-19 预测

    本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。

    Jul, 2021

  • 一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

    该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

    Dec, 2022

  • 使用连续多序列 MRI 评估 QCNN-LSTM 在多发性硬化症残疾预测中的有效性

    在这项初步研究中，我们比较了三种 Quantum Convolutional Neural Network-Long Short-Term Memory 模型与经典神经网络架构在多发性硬化 (Multiple Sclerosis) 残疾的二分类问题上的性能，研究结果显示，QCNN-LSTM 模型在时间效率上具备了与经典方法相媲美的性能。

    Jan, 2024

  • 使用长短期记忆网络预测 ICU 病死率

    实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

    Aug, 2023

  • 结合 LSTM 与潜在主题模型进行死亡率预测

    使用 LSTM 和潜在主题模型相结合的神经网络架构，对严重病患的病历文本进行分类预测和死亡的主题学习，该模型有效提高了死亡预测的准确性。

    Sep, 2017

  • COVID-19 预测的严格基线和美国、俄罗斯的机器学习视角

    利用 Covid-19 的数据集，使用预测性分析来评估更复杂的预测模型的效能潜力，包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果，它与 Exponential Smoothing、机器学习模型和 LSTM 等进行了比较，并且 LSTM 表现出了最佳的效果。该研究对美国和俄罗斯进行了评估，并使用 MAPE 指标进行评估。

    Jul, 2022

  • STAN：基于实际证据的时空关注网络用于疫情预测

    本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

    Jul, 2020

  • 一种基于实时信号和数据同化的流行病预测参数预测新方法

    本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

    Jul, 2023

  • 使用时空图神经网络检查 COVID-19 预测

    本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

    Jul, 2020

  • 预层归一化的深度 Transformer 模型用于 COVID-19 增长预测

    通过使用 Deep Transformer 模型，利用深度学习预测 COVID-19 在印度尼西亚的传播率，模型使用 Pre-Layer Normalization 和 Adamax 优化器训练的结果表现最佳。

    Jul, 2022