Lokale COVID-19 Prognosen von AI

Trotz der Bemühungen in den Vereinigten Staaten im vergangenen Frühjahr zum unterdrücken der Ausbreitung des neuartigen coronavirus, Staaten im ganzen Land erlebt haben spikes in den vergangenen Wochen. Die Zahl der bestätigten COVID-19 Fällen in der nation stieg auf mehr als 3,5 Millionen seit Beginn der Pandemie.

Beamte in vielen Staaten, darunter Kalifornien, haben jetzt angefangen, Rollen wieder die Wiederaufnahme-Prozess zu helfen, die Eindämmung der Ausbreitung des virus. Schließlich, Zustand und lokale politische Entscheidungsträger konfrontiert werden, mit der Entscheidung für eine zweite Zeit, Wann und wie Sie öffnen Ihre Gemeinden. Ein paar von den Forschern in der UC Santa Barbara College of Engineering, Xifeng Yan und Yu-Xiang Wang, entwickelten eine neue forecasting-Modell, inspiriert durch künstliche Intelligenz (AI) Techniken, um rechtzeitig Informationen an eine lokalisierte Ebene, die Beamten, und jeder in der öffentlichkeit nutzen können, in Ihren Entscheidungsprozessen.

„Wir sind alle überwältigt von den Daten, von denen die meisten ist auf nationaler und bundesstaatlicher Ebene,“ sagte Yan, associate professor, hält das Venkatesh Narayanamurti Chair in informatik. „Die Eltern sind mehr daran interessiert, was passiert in Ihrem Schulbezirk und wenn es sicher für Ihre Kinder zu gehen im Herbst in die Schule. Jedoch, es gibt sehr wenige websites, die Bereitstellung dieser Informationen. Wir Zielen auf Prognosen und Erklärungen, die auf eine lokalisierte Ebene mit Daten, die mehr nützlich für die Bewohner und Entscheidungsträger.“

Das Prognose-Projekt, „Interventionelle COVID-19-Response-Prognose in Gemeinden Mit Neuronalen Domain-Adaption Modelle“ erhalten Sie eine Schnelle Rückmeldung Forschung (RAPID) Zuschuss für knapp 200.000 US-Dollar von der National Science Foundation (NSF).

„Die Herausforderungen einen Sinn zu chaotisch Daten sind genau die Art von Problemen, die wir jeden Tag zu tun als computer-Wissenschaftler arbeiten in KI und maschinellem lernen,“ sagte Wang, assistant professor für informatik und Inhaber des Eugene Aas Stuhl. „Wir sind gezwungen, verleihen unserem know-how Gemeinden helfen, fundierte Entscheidungen zu treffen.“

Yan und Wang entwickelte ein innovatives Prognose-Algorithmus basiert auf einer deep learning Modell, genannt Transformer. Das Modell wird angetrieben von einer Aufmerksamkeits-Mechanismus, der intuitiv lernt, wie man zu prognostizieren, indem Sie lernen, was Zeit in die Vergangenheit zu schauen, und welche Daten die wichtig und relevant sind.

„Wenn wir versuchen, eine Prognose für eine bestimmte region, wie zum Beispiel Santa Barbara County, unser Algorithmus vergleicht die Wachstumskurven von COVID-19 Fällen in den verschiedenen Regionen über einen Zeitraum von Zeit zu bestimmen, die am meisten ähnlichen Regionen. Dann wiegt diese Regionen die Prognose-Fälle in der region“, erklärt Yan.

Neben COVID-19 Daten, die der Algorithmus zieht auch Informationen aus dem US Census Faktor in hyper-lokalen details bei der Kalibrierung die Prognose für eine lokale Gemeinschaft.

„Die Daten der Volkszählung ist sehr informativ, weil es implizit erfasst, die Kultur, die Lebensweise, Demographie und Arten von Unternehmen in jeder lokalen Gemeinschaft,“ sagte Wang. „Wenn Sie kombinieren, dass mit COVID-19-Daten zur Verfügung, je nach region, es hilft uns, den transfer der Erkenntnisse aus einer region zur anderen, die nützlich sein wird für Gemeinden, die wollen Daten über die Wirksamkeit von Interventionen, um fundierte Entscheidungen zu treffen.“

Die Forscher, die Modelle zeigten, dass, während der letzten spike, Santa Barbara County erfahrene verbreiten, ähnlich zu dem, was Mecklenburg, Wake, und Grafschaften Durham in North Carolina sah im Ende März und Anfang April. Mit diesen Ländern für die Prognose zukünftiger Fälle, in Santa Barbara County, die Forscher, die Aufmerksamkeit-basierte Modell besser als der am häufigsten verwendete epidemiologische Modelle: der SIR (susceptible, infected, recovered) Modell, das beschreibt den Fluss von Personen, die durch drei sich gegenseitig ausschließende Stufen; und das autoregressive Modell, das Prognosen basieren ausschließlich auf einer Reihe von Datenpunkten über die Zeit dargestellt. Die AI-basierte Modell hatte eine mittlere absolute prozentuale Fehler (MAPE) von 0,030, verglichen mit 0,11 SIR-Modell und 0.072 mit autoregression. Der MAPE ist eine gemeinsame Maßnahme der Vorhersage-Genauigkeit in der Statistik.

Yan und Wang sagen, dass Ihr Modell die Prognosen genauer, weil es beseitigt Schlüssel-Schwächen im Zusammenhang mit den aktuellen Modellen. Daten aus der Volkszählung bietet feine details fehlen in der vorhandenen simulation-Modelle, während die Aufmerksamkeit Mechanismus nutzt die erhebliche Mengen an Daten, die nun öffentlich verfügbar.

„Menschen, selbst ausgebildeten Fachkräften sind nicht in der Lage, die massive Daten so effektiv wie computer-algorithmen,“ sagte Wang. „Unsere Forschung bietet tools zum automatischen extrahieren von nützlichen Informationen aus den Daten zu vereinfachen, das Bild, anstatt es komplizierter.“

Das Projekt, durchgeführt in Zusammenarbeit mit Dr. Richard Beswick und Dr. Lynn Fitzgibbons aus Cottage Hospital in Santa Barbara, vorgestellt werden später in diesem Monat, während der Computing Research Association (CRA) Virtuelle Konferenz. Gebildet im Jahr 1972 als forum für die Abteilung Professuren der informatik-Abteilungen im ganzen Land, die CRA-Mitgliedschaft ist gewachsen und umfasst heute mehr als 200 Organisationen aktiv in computing research.

Yan und Wang Forschungs-Anstrengungen nicht aufhören. Sie planen Ihre Modell und Prognosen der öffentlichkeit zur Verfügung stehen, über eine website und sammeln genug Daten, um die Prognose für die Gemeinden im ganzen Land. „Wir hoffen, dass die Prognose für jede Gemeinde im Land, weil wir glauben, dass, wenn die Menschen gut informiert werden, die mit lokalen Daten, werden Sie gut informiert Entscheidungen zu treffen,“ sagte Yan.

Sie hoffen auch, Ihre Algorithmus kann verwendet werden, um zu prognostizieren, was passieren könnte, wenn eine bestimmte intervention implementiert, die zu einem bestimmten Zeitpunkt.