UCLA ماشین-مدل یادگیری کمک CDC پیش بینی گسترش COVID-19

یک ماشین-آموزش مدل توسعه یافته در UCLA Samueli دانشکده فنی و مهندسی کمک به مراکز کنترل بیماری و پیشگیری پیش بینی گسترش COVID-19.

مدل ایجاد شده توسط یک تیم به رهبری توسط Quanquan Gu یک UCLA استادیار علوم کامپیوتر است و در حال حاضر یکی از 13 مدل که خوراک به aCOVID-19 هوا Hub در دانشگاه ماساچوست امهرست. داده که از hub در تغذیه به CDC آنلاین پیش بینی برای چه این بیماری ممکن است در ادامه به گسترش است.

Gu گفت: مدل های دقیق تر از دیگران است چرا که نه تنها با تایید COVID-19 موارد و مرگ و میر. این اپیدمیولوژی-رانده شده است و یکی از تنها دو مدل در توپی که با استفاده از یادگیری ماشین.

مدل, نام, UCLA-SuEIR مشتق شده است پنج نوع از مشاهده و استنباط COVID-19 داده است که عامل به آن پیش بینی — تعداد موارد طبقه بندی شده به عنوان مستعد گزارش نشده در معرض عفونی و بهبود.

UCLA مدل منحصر به فرد است چرا که به سادگی متناسب با زمان منحنی است که تنها بر اساس موارد گزارش شده. بلکه نسبت تعداد تست نشده و گزارش نشده و مواردی از این مدل را تجزیه و تحلیل داده ها و با استفاده از آن استنتاج به پیش بینی که چگونه به سرعت این بیماری گسترش می یابد. این است که به نام یک “اپیدمی مدل” به دلیل آن طول می کشد را به حساب عوامل مختلف است که بر میزان گسترش بیماری.

UCLA-SuEIR تولید دولت و شهرستان در سطح مدل بر اساس تعداد مرگ و میر و تایید موارد گزارش شده توسط نیویورک تایمز و ملی مدل بر اساس اطلاعات منتشر شده توسط دانشگاه جانز هاپکینز.

دانشگاه ماساچوست اضافه دانشگاه UCLA مدل آن به توپی در مارس 6 بعد از Gu ارسال جزئیات بیشتر در مورد کار خود را به UMass آمار پروفسور نیکولاس رایش توپی پروژه منجر شود. تیم گو تا به حال متوجه شده است که مدل های مختلف در این مرکز تولید شد و تغییر پیش بینی ها عمدتا بر اساس منحنی برازش مدل است.

“بدون هیچ گونه اپیدمی مدل سازی طرح توسط منحنی اتصالات مدل بسیار گمراه کننده پس از آن تنها بستگی به مشاهده اطلاعات, الگوی, اما نادیده اساسی اپیدمی دینامیک است که درایو اطلاعات” Gu گفت.

UCLA Samueli دانشکده فنی و مهندسی

یک نمودار از دستگاه-آموزش مدل. یکی از ویژگی های از SuEIR است که مردم در هر دو “در معرض” و “عفونی” می تواند آلوده افراد “مستعد” به عنوان نشان داده شده نقش برآب فلش.

UCLA تیم چک مدل آن را به دقت با ساخت یک پیش بینی یک هفته پیش از آینده تایید موارد مرگ و بازیافت موارد و سپس تایید آن در برابر واقعی گزارش داده است. مدل ماشین-الگوریتم یادگیری را قادر می سازد گو برای آموزش یک نمونه جدید در کمتر از پنج ثانیه و اجازه می دهد تا این تیم برای به روز رسانی مدل آن به صورت روزانه است که کارآمد تر از مدل های دیگر است. تیم گو در واقع ایجاد یک مجموع 232 sub-مدل همه — یکی برای ایالات متحده به طور کلی و همچنین به عنوان یکی برای هر دولت و 181 برای هر شهرستان با بیش از 1000 مورد تأیید.

Gu گفت: UCLA مدل شده است به طور مداوم دقیق ترین در ماساچوست hub در پيش بينی مرگ, شمارش برای ایالات متحده و اکثر کشورهای است که در میان این سه مدل که بهترین مطابقت با پیش بینی های خود را با تعداد واقعی گزارش شده مرگ و میر در سراسر کشور.

این کار خیلی بیشتر از ریاضی ورزش. “مدل ما می تواند کمک به اندازه گیری اثربخشی سیاست های دولت مانند اجتماعی فاصله اقامت در خانه, سفارشات, استفاده از ماسک صورت را پوشش می دهد و یا خود قرنطینه و همچنین پیش بینی ممکن است resurges در موارد به عنوان متحده بازگشایی” Gu گفت.

این مدل همچنین می تواند مورد استفاده برای ارزیابی اینکه آیا یک منطقه تست شده است مردم به اندازه کافی است که می تواند کمک به مقامات را در درک که آیا آزمایش های بیشتری نیاز است.

با توجه به تیم, پیش بینی تعداد COVID-19 موارد را به اوج ژوئن 1 برای ایالات متحده به طور کلی در حالی که کالیفرنیا را به اوج خود ژوئیه 1 و لس آنجلس موارد را به اوج ژوئن 7.

تیم گو کار در پالایش این مدل به حساب شهرستان در سطح داده ها از بیمارستان و در بخش مراقبت های ويژه که می تواند عملکرد پیش بینی است که مقامات می تواند با استفاده از بهتر تخصیص منابع مانند مراقبت های بهداشتی کارگران و تجهیزات حفاظت فردی و هواکش.

این تیم همچنین شامل علوم کامپیوتر دکترا پان زو و Lingxiao وانگ و همچنین دانشجویان دکترا Jinghui چن Difan Zou و Weitong ژانگ.

tinyurlis.gdu.nuclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>