DeepCOVID: An Operational Deep Learning-driven Framework for Explainable Real-time COVID-19 Forecasting
DeepCOVID: An Operational Deep Learning-driven Framework for Explainable Real-time COVID-19 Forecasting
复制标题
DeepCOVID：一个可操作的深度学习驱动框架，用于可解释的实时 COVID-19 预测
DOI：
10.1101/2020.09.28.20203109
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Prakash, B. Aditya
中科院分区：
文献类型：
--
作者：
Rodriguez, Alexander;Tabassum, Anika;Cui, Jiaming;Xie, Jiajia;Ho, Javen;Agarwal, Pulak;Adhikari, Bijaya;Prakash, B. Aditya
我们如何以纯粹的数据驱动方式，在真实的时间里预测一场新出现的大流行病？如何利用基于各种信号（如移动性、测试和/或疾病暴露）的丰富异构数据进行预测？如何处理噪声数据和预测中的不确定性？在本文中，我们介绍了DeepCOVID，这是一个为实时COVID-19预测而设计的可操作深度学习框架。DeepCOVID可以很好地处理稀疏数据，并可以通过以原则性的方式传播数据中的不确定性来处理嘈杂的异构数据信号，从而在预测中产生有意义的不确定性。部署的框架还包括实时和回顾性探索性分析模块，以解释预测。实时预测的结果（在CDC网站和FiveThirtyEight上专题介绍）。com）自2020年4月以来的数据表明，我们的方法在COVID-19预测中心的方法中具有竞争力，尤其是在短期预测方面。
How do we forecast an emerging pandemic in real time in a purely data-driven manner? How to leverage rich heterogeneous data based on various signals such as mobility, testing, and/or disease exposure for forecasting? How to handle noisy data and generate uncertainties in the forecast? In this paper, we present DeepCOVID, an operational deep learning framework designed for real-time COVID-19 forecasting. DeepCOVID works well with sparse data and can handle noisy heterogeneous data signals by propagating the uncertainty from the data in a principled manner resulting in meaningful uncertainties in the forecast. The deployed framework also consists of modules for both real-time and retrospective exploratory analysis to enable interpretation of the forecasts. Results from real-time predictions (featured on the CDC website and FiveThirtyEight. com) since April 2020 indicates that our approach is competitive among the methods in the COVID-19 Forecast Hub, especially for short-term predictions.
登录
查看更多内容
使用基于数据驱动的代理模型来预测新兴的传染病。
影响因子：
3.8
作者：
Venkatramanan S;Lewis B;Chen J;Higdon D;Vullikanti A;Marathe M
通讯作者：
Marathe M
新冠追踪项目
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
Zachary Chase Lipton;Josh Ellington;smike;J. Ouyang;Ken Riley;J. Ellinger;Jeff Hammerbacher;Olivier Lacan;Jason Crane;space
通讯作者：
space
预测第一波 COVID-19 大流行对美国和欧洲经济区国家的医院需求和死亡人数的影响
DOI：
--
发表时间：
2020
期刊：
medRxiv
影响因子：
--
作者：
C. Murray
通讯作者：
C. Murray
reichlab/covid19-forecast-hub：发布前快照
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
N. Reich;Jarad Niemi;K. House;Abdul Hannan;E. Cramer;Steve Horstman;Shanghong Xie;Youyang Gu;N. Wattanachit;J. Bracher;Serena Wang;Casey Gibson;S. Woody;M. Li;R. Walraven;har;Xinyu Zhang;jinghuichen;GuidoEspana;X. Xinyue;H. Biegel;L. Castro;YueyingWang;qjhong;Elizabeth C. Lee;Arden Baxter;S. Bhatia;E. Ray;abrennen;Erdc Cv Modeling Team
通讯作者：
Erdc Cv Modeling Team
学习 SIR 流程的局限性：Covid-19 的精细预测
DOI：
--
发表时间：
2020
期刊：
arXiv.org
影响因子：
--
作者：
Jackie Baek;V. Farias;Andreea Georgescu;R. Levi;Tianyi Peng;Deeksha Sinha;Joshua Wilde;A. Zheng
通讯作者：
A. Zheng