よむ、つかう、まなぶ。
資料３－10 平田先生提出資料 (2 ページ)
出典
| 公開元URL | https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000121431_00348.html |
| 出典情報 | 新型コロナウイルス感染症対策アドバイザリーボード（第90回 7／13）《厚生労働省》 |
ページ画像
ダウンロードした画像を利用する際は「出典情報」を明記してください。
低解像度画像をダウンロード
プレーンテキスト
資料テキストはコンピュータによる自動処理で生成されており、完全に資料と一致しない場合があります。
テキストをコピーしてご利用いただく際は資料と付け合わせてご確認ください。
2
年代別新規陽性者数予測モデル
対象年代カテゴリを、0-9歳、10-64歳、65歳以上の3区分とし、深層学習（LSTMモデル）に基づき、
それぞれの年代の過去の陽性者数・死者数、ワクチン有効率を入力することで、年代別の新規陽性者
数・死者数を予測するモデルを開発。
これまで開発してきた各都市における全人口を対象とした予測モデルを拡張し、年代（10歳未満、1064歳、65歳以上）カテゴリを分けることで、各年代の特徴を考慮。また、ワクチンの４回目接種率の感
染状況への影響も推計した。
入力データ
【共通】
R
• 変異株感染力
• 人流（主要駅）
• Twitter（飲み会）*
LSTM
LSTM
R
【年代別】
• 過去・現在の陽性者
数・死者数
• ワクチン人口当たり有
効率
LSTM
LSTM
LSTM
R
LSTM
LSTM
R
FC
C
LSTM
FC
出力データ(年代別)
• 新規陽性者数
• 死者数
FC
LSTM（Long Short-Term Memory）・・・時系列データの取り扱いに強み
を持つ回帰型ニューラルネットワーク
*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
1. 成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.
2
年代別新規陽性者数予測モデル
対象年代カテゴリを、0-9歳、10-64歳、65歳以上の3区分とし、深層学習（LSTMモデル）に基づき、
それぞれの年代の過去の陽性者数・死者数、ワクチン有効率を入力することで、年代別の新規陽性者
数・死者数を予測するモデルを開発。
これまで開発してきた各都市における全人口を対象とした予測モデルを拡張し、年代（10歳未満、1064歳、65歳以上）カテゴリを分けることで、各年代の特徴を考慮。また、ワクチンの４回目接種率の感
染状況への影響も推計した。
入力データ
【共通】
R
• 変異株感染力
• 人流（主要駅）
• Twitter（飲み会）*
LSTM
LSTM
R
【年代別】
• 過去・現在の陽性者
数・死者数
• ワクチン人口当たり有
効率
LSTM
LSTM
LSTM
R
LSTM
LSTM
R
FC
C
LSTM
FC
出力データ(年代別)
• 新規陽性者数
• 死者数
FC
LSTM（Long Short-Term Memory）・・・時系列データの取り扱いに強み
を持つ回帰型ニューラルネットワーク
*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
1. 成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.
2