大規模疫病データのための将来予測アルゴリズム

木村, 輔; 松原, 靖子; 川畑, 光希 他

情報処理学会論文誌データベース（TOD）, 2021, 14(2), 10-19

Number of Access:96（2025-05-17 14:55 Counts）

Identifier to cite or link to this item: https://hdl.handle.net/11094/93124

Link to primary information 

File Format Terms of use Size Views Date.Available Description information
IPSJ-TOD_14_2_10 pdf None 1.78 MB 70 2023.11.14  

Item Information

Output File Export EndNote Basic Export Mendeley

Title
大規模疫病データのための将来予測アルゴリズム
Real-time Forecasting of Co-evolving Epidemics
Creator
NRID
1000010895379 1000010895379
researchmap permalink
tasuku_kimura tasuku_kimura
CreatorName
木村, 輔 ; Kimura, Tasuku
NRID
1000000721739 1000000721739
researchmap permalink
yasuko_matsubara yasuko_matsubara
Scopus Author ID
35812510500 35812510500
CreatorName
松原, 靖子 ; Matsubara, Yasuko
CreatorName
川畑, 光希 ; Kawabata, Koki
NRID
1000030466411 1000030466411
researchmap permalink
7000016745 7000016745
Scopus Author ID
9738019500 9738019500
CreatorName
櫻井, 保志 ; Sakurai, Yasushi
Subject
疫病
時系列データストリーム
非線形動的システム
将来予測
epidemics
time series
non-linear dynamical systems
real-time forecasting
Abstract
本論文では，大規模疫病データのための高速予測手法であるEpiCastについて述べる．EpiCastは，様々な地域の大規模疫病データストリームが与えられたときに，その中から疫病の特徴を表現，要約，共有し，長期的かつ継続的に将来の感染者数予測を行う．提案手法は(a)疫病の複雑な拡散過程を非線形モデルで表現し，(b)それらの中に含まれる重要な特徴を各地域で共有し，適切なモデルを選択することで，感染拡大予測を実現する．ここで，提案手法は(c)データストリームの長さに依存せず，一定の計算時間で感染者数を推定する．COVID-19の実データを用いた実験では，EpiCastが大規模疫病データストリームの中から疫病の重要な特徴を発見，共有することで感染者数を長期的に予測し，さらに，既存手法と比較し大幅な精度，性能向上を達成していることを確認した．
Given a large collection of co-evolving epidemics, how can we forecast their future characteristics? In this paper, we propose a streaming algorithm, EpiCast, which is able to model, understand and forecast future epidemic outbreaks as well as pandemics. Our method has the following features for the effective and efficient modeling of the dynamics of spreading viruses. (a) Non-linear: we incorporate a non-linear equation that is suitable for complex epidemic modeling. (b) Dynamic: it maintains multiple such non-linear models to share important patterns among locations, and chooses the non-linear model for the forecast while monitoring a co-evolving epidemic data stream. (c) Scalable: it can quickly forecast future phenomena at any time in a practically constant time. In extensive experiments using real COVID-19 datasets over major countries, we demonstrate that our proposed method outperforms existing methods for time series in terms of forecasting accuracy, and significantly reduces the required computational time.
Publisher
情報処理学会
Information Processing Society of Japan
Source Title
情報処理学会論文誌データベース（TOD）
Volume (Issue)
14(2)
Page
10-19
Date of Issued
2021-04-13
Language
Japanese
Handle URL
https://hdl.handle.net/11094/93124
eISSN
18827799
NCID
AA11464847
Relation.isIdenticalTo
URI
http://id.nii.ac.jp/1001/00210534/
Access Rights
open access
CopyRight
©2021 Information Processing Society of Japan
ここに掲載した著作物の利用に関する注意 本著作物の著作権は情報処理学会に帰属します。本著作物は著作権者である情報処理学会の許可のもとに掲載するものです。ご利用に当たっては「著作権法」ならびに「情報処理学会倫理綱領」に従うことをお願いいたします。
The copyright of this material is retained by the Information Processing Society of Japan (IPSJ). This material is published on this web site with the agreement of the author and the IPSJ. Please be complied with Copyright Law of Japan and the Code of Ethics of the IPSJ if any users wish to reproduce, make derivative work, distribute or make available to the public any part or whole thereof.
oaire:version
Version of Record
Category
学術雑誌論文 Journal Article