搜索文章

查看帮助文章搜索中的查询

搜索结果(9条结果中的1至9条)

下载搜索结果:CSV结束助理RIS


中国各省COVID-19疫情的实时预测:使用新型数字数据和机械模型估计的机器学习方法

中国各省COVID-19疫情的实时预测:使用新型数字数据和机械模型估计的机器学习方法

模型被动态地重新校准,类似于SantillanaLu et al[44]和[11]。我们的方法ARGONet + GLEAM是在R 3.5.3环境中使用glmnet 3.0-2库实现的。我们的方法的概要见图2。用于获得我们的冠状病毒疾病(COVID-19)估计的方法摘要。GLEAM:全球流行病和流动性。使用两种不同的指标来衡量ARGONet + GLEAM的性能:(1)RMSE和(2)Pearson相关。

Dianbo刘莱昂纳多克莱门特Canelle地方西域叮马特奥Chinazzi杰西卡·戴维斯亚历山德罗VespignaniMauricio Santillana

中国医学网络杂志2020;22(8):e20285


使用新型互联网数据流的准确流感监测和预测:波士顿大都会的案例研究

使用新型互联网数据流的准确流感监测和预测:波士顿大都会的案例研究

Santillana[15]等人,综合这些数据源的方法在国家流感预测中优于任何其他方法。此外,结合数据同化技术的传统易感感染-恢复(SIR)流行病学模型在多空间分辨率预测流感活动方面显示出强大的潜力[16,17]。

孙璐给侯克里斯汀BaltrusaitisManan沙法律上Leskovec韩国Sosic贾里德·霍金斯约翰·布朗斯坦朱塞佩Conidi茱莉亚GunnJosh灰色安娜·辛克Mauricio Santillana

JMIR公共卫生监测2018;4(1):e4


将参与式流感监测与建模和预测相结合:三种备选方法

将参与式流感监测与建模和预测相结合:三种备选方法

然后将这些ILI率的个人预测输入集成机器学习算法,该算法将个人预测结合起来,以产生稳健而准确的ILI估计,描述为Santillana等[49]。这种集成机器学习方法产生的估计比使用每个数据源独立做出的所有预测都要好。

约翰·S·布朗斯坦淑玉商量楚Achla MaratheMadhav V MaratheAndre T Nguyen丹妮拉Paolotti尼古拉Perra丹妮拉佩罗塔Mauricio SantillanaSamarth Swarup米歇尔Tizzoni亚历山德罗VespignaniAnil Kumar S Vullikanti曼迪·威尔逊张倩

JMIR公共卫生监测2017;3(4):e83


更正:中国各省COVID-19疫情的实时预测:使用新型数字数据和机械模型估计的机器学习方法

更正:中国各省COVID-19疫情的实时预测:使用新型数字数据和机械模型估计的机器学习方法

原文作者顺序为:Canelle Poirier, Dianbo Liu, Leonardo Clemente, Xiyu Ding, Matteo Chinazzi, Jessica Davis, Alessandro Vespignani,毛里西奥Santillana作者的正确顺序是:刘狄波,Leonardo Clemente, Canelle Poirier,丁希雨,Matteo Chinazzi, Jessica Davis, Alessandro Vespignani,毛里西奥Santillana此外,作者Leonardo Clemente、Xiyu Ding和Jessica Davis的学位信息在原文中被错误地列为“MD”。

Dianbo刘莱昂纳多克莱门特Canelle地方西域叮马特奥Chinazzi杰西卡·戴维斯亚历山德罗VespignaniMauricio Santillana

中国医学杂志,2020;22(9):e23996


改进实时流感监测:在八个拉丁美洲国家使用互联网搜索数据

改进实时流感监测:在八个拉丁美洲国家使用互联网搜索数据

多个研究团队提出了在数据丰富的国家(如美国)实时估计和预测流感活动的补充方法,使用从统计[2,3]到机械[4,5]的技术,并结合各种数据源,如互联网搜索信息、与流感相关的Twitter微博[6,7]、众源流感监测[8,9]、临床医生搜索活动[10]、电子健康记录[11]和维基百科访问[12,13]。在一项研究中总结Santillana

莱昂纳多克莱门特弗雷德卢Mauricio Santillana

JMIR公共卫生监测2019;5(2):e12214


Baidu
map