STOPPAGE：面向疫情监测与管理的时空数据驱动云–雾–边缘计算框架
机器学习
2021-04-06 v1
摘要
若干研究与证据表明，大流行（大规模传染病暴发）的可能性日益增加，其在从快速死亡率到全球经济与社会紊乱等人类生活各方面均带来深远影响。近期，COVID-19（2019冠状病毒病）大流行扰乱了正常人类生活；出于抗击 COVID-19 的迫切需求，研究者除开发疫苗等药学方案外，已在建模与分析疾病传播模式以采取有效预防措施方面付出大量努力。就此而言，绝对有必要通过提取并融合异构数据源的知识，构建分析框架，从而为改善行政政策与提升抗疫准备提供洞察。具体而言，人类流动性、出行史及其他交通统计对任何传染病传播均有显著影响。为此，本文提出一个名为 STOPPAGE 的时空知识挖掘框架，以建模人类流动性及其他上下文信息在广大地理区域、不同时间尺度上的影响。该框架含两大模块：(i) 基于雾/边缘架构的时空数据与计算基础设施；(ii) 从异构数据源高效提取知识的时空数据分析模块。典型地，我们构建了疫情知识图谱以发现流动性信息与疾病传播间关联，设计了深度学习架构以预测下一热点区域，并利用 Femtolet 与雾/边缘方案为家庭健康监测提供必要支撑。基于印度 COVID-19 真实数据集的实验评估表明了所提方法的有效性。
引用
@article{arxiv.2104.01600,
title = {STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework for Pandemic Monitoring and Management},
author = {Shreya Ghosh and Anwesha Mukherjee and Soumya K Ghosh and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2104.01600},
year = {2021}
}
备注
16 pages, 11 figures, pre-print submitted to journal