ResultsAcross our performance metri

Results

Across our performance metrics of percentage true-positives (RTP), percentage false-positives (RFP), percentage overlap (OT), and percentage early alarms (EA), Poisson- and negative binomial-based algorithms performed better in all except RFP. Poisson-based algorithms had average values of 99%, 28%, 71%, and 76% for RTP, RFP, OT, and EA, respectively, whereas negative binomial-based algorithms had average values of 97.8%, 17.8%, 60%, and 55% for RTP, RFP, OT, and EA, respectively. Moreover, the EA was also affected by the region’s population size. Regions with larger populations (regions 4 and 6) had higher values of EA than region 10 (which had the smallest population) for negative binomial- and Poisson-based algorithms. The difference was 12.5% and 13.5% on average in negative binomial- and Poisson-based algorithms, respectively.

Conclusions

We present the first detailed comparative analysis of popular early epidemic detection algorithms on Google Flu Trends data. We note that realizing this opportunity requires moving beyond the cumulative sum and historical limits method-based normal distribution approaches, traditionally employed by the CDC, to negative binomial- and Poisson-based algorithms to deal with potentially noisy search query data from regions with varying population and Internet penetrations. Based on our work, we have developed FluBreaks, an early warning system for flu epidemics using Google Flu Trends.

ผลลัพธ์ (ไทย) 1:

ผลลัพธ์ในการวัดประสิทธิภาพการทำงานของเราของเปอร์เซ็นต์จริงทำงานผิดพลาด (RTP), เปอร์เซ็นต์เท็จทำงานผิดพลาด (RFP), เปอร์เซ็นต์ซ้อน (OT), และเปอร์เซ็นต์ช่วงสัญญาณ (EA), ปัวและกระบวนตามทวินามลบทำดีทั้งหมดยกเว้นที่ RFP อัลกอริทึมที่ใช้ปัวซองได้ค่าเฉลี่ย 99%, 28%, 71 และ 76% สำหรับ RTP, RFP, OT, EA ตามลำดับ ในขณะที่กระบวนใช้ทวินามลบมีค่าเฉลี่ย 97.8%, 17.8%, 60%, 55% และ RTP, RFP, OT, EA และตามลำดับ นอกจากนี้ อีเอได้ยังรับผลจากขนาดประชากรของภูมิภาคนี้ ภูมิภาคที่ มีประชากรขนาดใหญ่ (พื้นที่ 4 และ 6) มีค่าที่สูงกว่าของเอกว่าภูมิภาค 10 (ซึ่งมีประชากรน้อยที่สุด) สำหรับลบทวินาม และปัวตามอัลกอริทึม ความแตกต่างได้ 12.5% และ 13.5% เฉลี่ยในลบทวินาม และปัวตามอัลกอริทึม ตามลำดับบทสรุปเรานำเสนอครั้งแรกวิเคราะห์เปรียบเทียบรายละเอียดของยอดต้นติดต่อตรวจสอบอัลกอริทึมข้อมูลแนวโน้มไข้หวัดใหญ่ Google เราทราบว่า ตระหนักถึงโอกาสนี้ต้องย้ายนอกเหนือจากผลรวมสะสมและจำกัดทางประวัติศาสตร์โดยใช้วิธีการแจกแจงปกติยื่น ประเพณีว่า CDC กับอัลกอริทึมลบทวินาม และปัวใช้ในการจัดการกับเสียงดังอาจสอบถามข้อมูลจากภูมิภาค มีประชากรแตกต่างกันและงานอินเตอร์เน็ต จากงานของเรา เราได้พัฒนา FluBreaks มีระบบเตือนภัยล่วงหน้าสำหรับโรคระบาดไข้หวัดใหญ่โดยใช้แนวโน้มไข้หวัดใหญ่ Google

ผลลัพธ์ (ไทย) 2:

ผลการข้ามการวัดประสิทธิภาพของเราร้อยละบวกจริง (RTP) ร้อยละบวกเท็จ (RFP) ที่ทับซ้อนกันร้อยละ (OT) และสัญญาณเตือนภัยในช่วงต้นร้อยละ (EA) Poisson- และขั้นตอนวิธีทวินามตามเชิงลบดำเนินการที่ดีขึ้นในทั้งหมดยกเว้น RFP . อัลกอริทึม Poisson-based มีค่าเฉลี่ย 99%, 28%, 71% และ 76% สำหรับ RTP, RFP, OT และ EA ตามลำดับในขณะที่อัลกอริทึมที่ใช้ทวินามเชิงลบมีค่าเฉลี่ย 97.8%, 17.8%, 60% และ 55% สำหรับ RTP, RFP, OT และ EA ตามลำดับ นอกจากนี้อีเอยังได้รับผลกระทบตามขนาดประชากรของภูมิภาคนี้ บริเวณที่มีประชากรขนาดใหญ่ (ภาค 4 และ 6) มีค่าสูงขึ้นของ EA กว่า 10 ภูมิภาค (ซึ่งมีประชากรที่เล็กที่สุด) สำหรับ binomial- เชิงลบและ Poisson ตามขั้นตอนวิธี ความแตกต่างเป็น 12.5% ​​และ 13.5% โดยเฉลี่ยใน binomial- เชิงลบและอัลกอริทึม Poisson ตามตามลำดับ. สรุปเรานำเสนอการวิเคราะห์เปรียบเทียบรายละเอียดแรกของการระบาดในช่วงต้นขั้นตอนวิธีการตรวจสอบที่เป็นที่นิยมในข้อมูลของ Google แนวโน้มไข้หวัดใหญ่ เราทราบว่าตระหนักถึงโอกาสนี้ต้องย้ายที่อยู่นอกเหนือผลรวมสะสมและข้อ จำกัด ทางประวัติศาสตร์วิธีการตามแนวทางการกระจายปกติลูกจ้างดั้งเดิมโดย CDC เพื่อ binomial- เชิงลบและ Poisson ตามขั้นตอนวิธีการที่จะจัดการกับการค้นหามีเสียงดังอาจข้อมูลแบบสอบถามจากภูมิภาคที่มีประชากรที่แตกต่างกัน และลอดอินเทอร์เน็ต ขึ้นอยู่กับการทำงานของเราเราได้พัฒนา FluBreaks, ระบบเตือนภัยล่วงหน้าสำหรับโรคระบาดไข้หวัดโดยใช้ Google แนวโน้มไข้หวัดใหญ่

ผลลัพธ์ (ไทย) 3:

ผลจากการปฏิบัติของเรา

ข้ามบวกจริง เปอร์เซ็นต์ ( RTP ) เปอร์เซ็นต์บวกเท็จ ( RFP ) ร้อยละซ้อน ( OT ) และร้อยละสัญญาณเตือนภัยก่อน ( EA ) และลบแบบปัวส์ซองตามขั้นตอนวิธีการปฏิบัติที่ดีในทั้งหมดยกเว้น RFP . ตามค่าเฉลี่ยของพารามิเตอร์อัลกอริทึมได้ 99% , 28% , 71% และ 76% สำหรับ RTP , RFP , OT และเอตามลำดับในขณะที่ลบแบบตามขั้นตอนวิธีที่มีค่าเฉลี่ยของ 97.8 ร้อยละ 17.8 % , 60% และ 55% สำหรับ RTP , RFP , OT , EA , ตามลำดับ นอกจากนี้ อีเอผลกระทบจากขนาดของประชากรของภูมิภาค ภูมิภาคที่มีประชากรขนาดใหญ่ ( ภาค 6 ) สูงกว่าค่าของ EA มากกว่าภาค 10 ( ซึ่งมีประชากรน้อยที่สุด ) และลบแบบปัวส์ซอง - ตามอัลกอริธึมความแตกต่างคือ 12.5% และ 13.5% โดยเฉลี่ยในลบแบบ - และปัวซงตามอัลกอริทึมตามลำดับ

สรุป

เราเสนอรายละเอียดแรกนิยมระบาดการวิเคราะห์เปรียบเทียบข้อมูลการตรวจสอบขั้นตอนวิธี Google แนวโน้มไข้หวัดใหญ่ .เราทราบว่าตระหนักถึงโอกาสนี้ต้องย้ายเกินผลรวมสะสมและข้อ จำกัด วิธีการทางประวัติศาสตร์ ตามวิธีปกติแบบดั้งเดิมที่ใช้โดยกรมควบคุมโรค เพื่อลบแบบปัวส์ซอง ตามขั้นตอนวิธีการและจัดการกับการค้นหาข้อมูลที่อาจมีเสียงดังจากภูมิภาคที่แตกต่างกับประชากรและ Penetrations อินเทอร์เน็ต ขึ้นอยู่กับการทำงานของเรา เราได้พัฒนา flubreaks ,ระบบเตือนภัยไข้หวัดระบาดใช้ Google แนวโน้มไข้หวัดใหญ่ .