Optimal Risk-aware POI Recommendations during Epidemics
Notice bibliographique
Résumé
The movement of people can influence the spread of diseases, especially in populated areas. While measures like quarantine can curb disease spread by restricting the movement of those infected, they come with socioeconomic consequences. Furthermore, not everyone might adhere to these restrictions, undermining their effectiveness. A more effective strategy is to educate people on the risks tied to their movement habits and recommend safer options. In this research, we introduce the problem of optimal risk-aware point-of-interest (POI) recommendations during epidemics, where people get recommendations on what POI to visit that reduces the risk of getting infected. The risk of infection at a POI is modeled based on its capacity and visit patterns over time. Then, we present a method that provides personalized recommendations which, when universally adopted, the overall risk is minimized. Unlike existing strategies, our method considers simultaneous user requests made in the same time period, which might influence the relative risk at POIs. An extensive evaluation was conducted, using real-world data coming from three major cities in Canada, which showed that our method outperforms the current state of practice method and other sensible baselines, on varying settings. Specifically, our method presented a decrease in the relative added risk of infection by 99.87%, 71.56% and 61.54% at each city, respectively. We also examined how the optimal solution is impacted if only a specific portion of the population follows the recommendation. Our optimal risk-aware recommendation method has the potential to reduce infection risk by promoting responsible behaviors within communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».