東京都 新規陽性者数(陽性者数の報告値のみUpdate)
楽観シナリオ:ワクチン接種が今後順調に進む(2/22現在1日100万本ペースとされる)。人流は戻らない。
悲観シナリオ:ワクチン接種は現在のレベル。人流は3月になると戻る(昨年のデータに基づく)
随時、実測値を入力。2/14のデータは、2/10までのデータのため、3連休の影響は含んでいない。
東京は、2/10(木)の人流(主要駅)が5%以上落ちる。天候(雪)の影響なども考えられ、それをきっかけに新規陽性者数も減少するかを注視する必要性(大澤先生の第5波の減衰における考察参考) 。
3月の入力データは、2021年を参考に設定、高止まりの一因は人流や活動が戻る傾向を考慮。
3/6にまん延防止等重点措置が解除された場合の影響
*過去のデータに基づくため、マスクなし会食などに移行する効果は含めない。
東京都 死者数 Update
*新規陽性者数、入院患者数、重症者数などと比べて確度が低い(数値的に残差が大きい)
推定では、感染者数だけではなく、合併症など急な病状悪化などを十分反映できていない可能性
**重症者数および死者数の予測値は、ワクチン効果に依存する可能性があり、注視が必要。
蔓延防止措置の影響は小さい(3月末まで)。
再掲:AI(深層学習)に基づく予測システム
深層学習(LSTMモデル)に基づき、一日当たりの新規陽性者数/重症者数(1週間平均値)などを直接予測。入力パラメータを同定するため、今後の陽性者数以外は既知とする。
都道府県ごとではなく、データの規格化により見かけ上のデータ数を増やすことができる。非線形回帰(パラメータ数は事実上無限)に基づく推定
*精度が担保できる範囲で、数値的には数か月後でも算出可能
1.E. A. Rashed and A. Hirata, “Infectivity upsurge by COVID-19 viral variants in Japan: evidence from a deep learning modeling.” Int. J. Environ. Res. Public Health, 2021.
再掲:東京、大阪における第4,5波の推定例
(東京2021年4月15日、大阪2021年3月4日まで学習、その後推定)
新規陽性者数以外の入力データを既知として、推定期間で学習、構築したネットワークの有効性を検証
右軸:駅における人流、ウィルスの感染力、Twitter(飲み会)データの規格化値
*NTTデータから提供されたTwitterデータを用いて東京大学生産技術研究所豊田研にて作成
再掲:東京における第4,5波の推定例
(東京2021年4月15日までの学習)
新規陽性者数以外の入力データを既知として、推定期間で学習。新規陽性者数と関連の高い入力パラメータを検索
夜間滞留人口は、新規陽性者数と因果関係があっても、必ずしもそれを推定する指標とは言えない。
*それ以外の入力パラメータは検証中
右軸:駅における人流、ウィルスの感染力、Twitter(飲み会)データの規格化値