COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 prediction.
COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 prediction.
复制标题
DOI：
10.1038/s41598-021-93545-6
复制
发表时间：
2021-07-12
影响因子：
4.6
通讯作者：
Zhao T
中科院分区：
文献类型：
--
作者：
Er S;Yang S;Zhao T
新型冠状病毒SARS-CoV-2引起的新型冠状病毒COVID-19在全球蔓延，对人类构成重大威胁。随着COVID-19疫情的持续发展，预测局部疾病的严重程度对于提前分配资源至关重要。本文提出了一种名为COUptage（COUnty aggRegation mixup AugmEntation）的方法，利用现代深度学习技术，为美国每个县的COVID-19相关死亡人数生成两周前的短期预测。具体来说，我们的方法采用了自然语言处理中的自注意模型，称为Transformer模型，以捕获时间序列中的短期和长期依赖关系，同时享受计算效率。我们的模型仅利用与COVID-19相关的确诊病例、死亡人数、社区流动趋势和人口统计信息的公开信息，并可将相应的县级预测汇总生成州级预测。我们的数值实验表明，我们的模型达到了最先进的性能之间的公开可用的基准模型。
The global spread of COVID-19, the disease caused by the novel coronavirus SARS-CoV-2, has casted a significant threat to mankind. As the COVID-19 situation continues to evolve, predicting localized disease severity is crucial for advanced resource allocation. This paper proposes a method named COURAGE (COUnty aggRegation mixup AuGmEntation) to generate a short-term prediction of 2-week-ahead COVID-19 related deaths for each county in the United States, leveraging modern deep learning techniques. Specifically, our method adopts a self-attention model from Natural Language Processing, known as the transformer model, to capture both short-term and long-term dependencies within the time series while enjoying computational efficiency. Our model solely utilizes publicly available information for COVID-19 related confirmed cases, deaths, community mobility trends and demographic information, and can produce state-level predictions as an aggregation of the corresponding county-level predictions. Our numerical experiments demonstrate that our model achieves the state-of-the-art performance among the publicly available benchmark models.
登录
查看更多内容
影响因子：
29.9
作者：
Chande, Aroon;Lee, Seolha;Harris, Mallory;Nguyen, Quan;Beckett, Stephen J.;Hilley, Troy;Andris, Clio;Weitz, Joshua S.
通讯作者：
Weitz, Joshua S.
影响因子：
2.8
作者：
Lega, Joceline
通讯作者：
Lega, Joceline
DOI：
10.1098/rsif.2020.0936
发表时间：
2021-03
期刊：
Journal of the Royal Society, Interface
影响因子：
--
作者：
Gösgens M;Hendriks T;Boon M;Steenbakkers W;Heesterbeek H;van der Hofstad R;Litvak N
通讯作者：
Litvak N
DOI：
10.1093/jamia/ocaa322
发表时间：
2021-03-18
期刊：
Journal of the American Medical Informatics Association : JAMIA
影响因子：
--
作者：
Gao J;Sharma R;Qian C;Glass LM;Spaeder J;Romberg J;Sun J;Xiao C
通讯作者：
Xiao C
影响因子：
4
作者：
Harko, Tiberiu;Lobo, Francisco S. N.;Mak, M. K.
通讯作者：
Mak, M. K.