We present the first detailed algor

We present the first detailed algorithmic analysis of how Google Flu Trends can be used as a basis for building a fully automated system for early warning of epidemics in advance of methods used by the CDC. Based on our work, we present a novel early epidemic detection system, called FluBreaks (dritte.org/flubreaks), based on Google Flu Trends data. We compared the accuracy and practicality of three types of algorithms: normal distribution algorithms, Poisson distribution algorithms, and negative binomial distribution algorithms. We explored the relative merits of these methods, and related our findings to changes in Internet penetration and population size for the regions in Google Flu Trends providing data.




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.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอการวิเคราะห์รายละเอียด algorithmic แรกของวิธีแนวโน้มไข้หวัด Google สามารถใช้เป็นพื้นฐานสำหรับการสร้างระบบอัตโนมัติอย่างสมบูรณ์สำหรับการเตือนเริ่มต้นของโรคระบาดล่วงหน้าวิธีใช้ขั้นรุนแรง เราตามงาน แสดงเป็นนวนิยายต้นเรื้อรังระบบตรวจสอบ เรียกว่า FluBreaks (dritte.org/flubreaks), ตามข้อมูลแนวโน้มไข้หวัดใหญ่ Google เราเปรียบเทียบความถูกต้องและปฏิบัติจริงของสามชนิดของอัลกอริทึม: อัลกอริทึมของการแจกแจงปกติ การแจกแจงปัวซองอัลกอริทึม และอัลกอริทึมการแจกแจงแบบทวินามลบ เราอุดมบุญสัมพันธ์ของวิธีการเหล่านี้ และเราพบการเปลี่ยนแปลงขนาดเจาะและประชากรของอินเทอร์เน็ตสำหรับภูมิภาคใน Google แนวโน้มไข้หวัดใหญ่ให้ข้อมูลที่เกี่ยวข้องในการวัดประสิทธิภาพการทำงานของเราของเปอร์เซ็นต์จริงทำงานผิดพลาด (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 ตามลำดับ

ผลลัพธ์ (ไทย) 2:

เรานำเสนอการวิเคราะห์ขั้นตอนแรกที่มีรายละเอียดของวิธีการที่ Google แนวโน้มไข้หวัดใหญ่สามารถนำมาใช้เป็นพื้นฐานสำหรับการสร้างระบบอัตโนมัติอย่างเต็มที่สำหรับการเตือนภัยของโรคระบาดในอนาคตของวิธีการที่ใช้โดย CDC ขึ้นอยู่กับการทำงานของเราที่เรานำเสนอการระบาดของโรคในช่วงต้นของนวนิยายเรื่องระบบการตรวจสอบที่เรียกว่า FluBreaks (dritte.org/flubreaks) บนพื้นฐานของข้อมูลของ Google แนวโน้มไข้หวัดใหญ่ เราเมื่อเทียบกับความถูกต้องและการปฏิบัติจริงของสามประเภทของขั้นตอนวิธีอัลกอริทึมการกระจายปกติ Poisson ขั้นตอนวิธีการจัดจำหน่ายและขั้นตอนการกระจายทวินามเชิงลบ เราสำรวจญาติของวิธีการเหล่านี้และที่เกี่ยวข้องกับการค้นพบของเราไปสู่การเปลี่ยนแปลงในการรุกอินเทอร์เน็ตและขนาดของประชากรสำหรับภูมิภาคใน Google เทรนด์ไข้หวัดใหญ่ให้ข้อมูล. ข้ามตัวชี้วัดประสิทธิภาพการทำงานของเราร้อยละบวกจริง (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

ผลลัพธ์ (ไทย) 3:

เรานำเสนอรายละเอียดแรกของขั้นตอนวิธีการวิเคราะห์แนวโน้มไข้หวัดใหญ่ว่า Google สามารถใช้เป็นพื้นฐานสำหรับอาคารอัตโนมัติระบบเตือนภัยของโรคระบาดในล่วงหน้าของวิธีการที่ใช้โดย CDC ขึ้นอยู่กับการทำงานของเรา เราเสนอนวนิยายแรกที่มีระบบตรวจจับที่เรียกว่า flubreaks ( dritte . org / flubreaks ) ตามข้อมูลแนวโน้มไข้หวัดใหญ่ Googleเราเทียบความถูกต้องและการปฏิบัติจริงสามประเภทของขั้นตอนวิธีขั้นตอนวิธี : การแจกแจงปกติ การแจกแจงปัวซงขั้นตอนวิธีและการแจกแจงทวินามลบขั้นตอนวิธี เราสำรวจประโยชน์สัมพัทธ์ของวิธีการเหล่านี้และที่เกี่ยวข้องกับการค้นพบการเปลี่ยนแปลงในการเจาะ Internet และขนาดของประชากรในภูมิภาคใน Google แนวโน้มไข้หวัดใหญ่ ให้ข้อมูล




ในตัวชี้วัดประสิทธิภาพของเราแจ้งจริง 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 - และปัวซงตามขั้นตอนวิธี ตามลำดับ