2.4.2 പ്രവചനം ആൻഡ് nowcasting

ഭാവി ഷിതമായത് ബുദ്ധിമുട്ടാണ് എന്നാൽ ഇപ്പോൾ ഷിതമായത് എളുപ്പം.

നിരീക്ഷണ ഡാറ്റ ഉപയോഗിച്ച് ഗവേഷകർ ഉപയോഗിക്കുന്ന രണ്ടാമത്തെ പ്രധാന തന്ത്രത്തിന്റെ പ്രവചന ആണ്. ഭാവിയിൽ ഷിതമായത് കുപ്രസിദ്ധമായ ബുദ്ധിമുട്ടാണ് പക്ഷെ, അവർ കമ്പനികൾ അല്ലെങ്കിൽ സർക്കാരുകൾക്ക് ജോലിചെയ്യാൻ എന്ന്, തീരുമാനം നിർമാതാക്കൾ വേണ്ടി അവിശ്വസനീയമായ പ്രധാന്യമുണ്ട്.

Kleinberg et al. (2015) ചില നയം പ്രശ്നങ്ങൾക്ക് പ്രവചനം പ്രാധാന്യം വിശദീകരിക്കാൻ രണ്ടു കഥകൾ പ്രദാനം ചെയ്യുന്നു. ഒറ്റ നയം മേക്കർ സങ്കൽപ്പിക്കുക ഞാൻ ഒരു വരൾച്ച നേരിടുന്ന ആർ അവളെ അണ്ണാ, വിളിക്കാം മഴയും സാധ്യത വർദ്ധിപ്പിക്കും ഒരു മഴ നൃത്തം ചെയ്യാൻ ലാമോദഹർഷമായ് നിയമിക്കും വേണ്ടയോ തീരുമാനിക്കണം. മറ്റൊരു നയം മേക്കർ, ഞാൻ അവനെ ബോബ് വിളിക്കാം, ഹോം വഴിയിൽ ആർദ്ര ലഭിക്കുന്നത് ഒഴിവാക്കാൻ പ്രവർത്തിക്കാൻ ഒരു കുട എടുത്തു വേണ്ടയോ തീരുമാനിക്കണം. അവർ കാലാവസ്ഥ മനസ്സിലേക്ക് അണ്ണാ ബോബ് രണ്ട് ഒരു മെച്ചപ്പെട്ട തീരുമാനം എടുക്കാൻ കഴിയും, എന്നാൽ അവർ വ്യത്യസ്ത കാര്യങ്ങൾ അറിയേണ്ടതുണ്ട്. അണ്ണാ മഴയും ഡാൻസ് മഴ കാരണമാകുന്നു എന്നത് മനസ്സിലാക്കിയിരിക്കണം. ബോബ്, മറുവശത്ത്, മുതലെടുക്കാന് കുറിച്ച് ഒന്നും മനസ്സിലാക്കുന്നതിൽ ആവശ്യമില്ല; അവൻ വെറും കൃത്യമായ പ്രവചനം ആവശ്യമാണ്. സോഷ്യൽ ഗവേഷകർ പലപ്പോഴും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിന് Kleinberg et al. (2015) വിളിക്കും "മഴ ഡാൻസ് സമാനമായ" നയം പ്രശ്നങ്ങൾ-ആ കേന്ദ്രീകരിക്കാൻ മുതലെടുക്കാന്-ആൻഡ് പ്രവചന ശ്രദ്ധിക്കുന്നു എന്ന് "കുട പോലുള്ള" നയം പ്രശ്നങ്ങൾ അവഗണിക്കുക.

ഞാൻ ഇന്നത്തെ പ്രവചിക്കാൻ ശ്രമങ്ങൾ nowcasting, പ്രവചന ഒരു പ്രത്യേക തരം nowcasting സ്പഷ്ടമാക്കുന്ന പദം "ഇപ്പോൾ" ഉള്ള കഥകളിയുടെ വിളിച്ചു ന് എന്നാൽ, ഫോക്കസ് ചെയ്യാൻ ആഗ്രഹിക്കുന്നു "പ്രവചന." പകരം ഭാവി ഷിതമായത് (Choi and Varian 2012) . മറ്റു വാക്കുകളിൽ, nowcasting അളവിന്റെ പ്രശ്നങ്ങൾക്ക് പ്രവചന രീതികൾ ഉപയോഗിക്കുന്നു. അത് പോലെ, അവരുടെ രാജ്യങ്ങളിൽ കുറിച്ച് സമയോചിതമായി കൃത്യമായ നടപടികൾ ആവശ്യക്കാരെ സർക്കാരുകൾക്ക് പ്രത്യേകിച്ച് ഉപയോഗപ്രദമാണ്. Nowcasting Google ഫ്ലൂ ട്രെൻഡ് മാതൃക കൂടെ ഏറ്റവും വ്യക്തമായി പ്രതിപാദിക്കുന്നുണ്ട് കഴിയും.

, പ്രതികരണമായി ലിങ്കുകളിൽ ഒരു പേജ് ലഭിക്കും തുടർന്ന് സഹായകരമായ ഒരു വെബ്പേജ് അവരെ ഒന്ന് അതിനാൽ നിങ്ങൾ ഒരു തിരയൽ എഞ്ചിനിൽ "പന്നിപ്പനി പാടുകൾ" ടൈപ്പ് നിങ്ങൾ കാലാവസ്ഥ കീഴിൽ ഒരു ബിറ്റ് അനുഭവപ്പെടുന്നു സങ്കൽപ്പിക്കുക. ഇപ്പോൾ ഈ പ്രവർത്തനം സെർച്ച് എഞ്ചിൻ നിലപാടുകളിൽ നിന്ന് പുറത്ത് പ്ലേ സങ്കൽപ്പിക്കുക. ഓരോ നിമിഷവും അന്വേഷണങ്ങൾ ദശലക്ഷക്കണക്കിന് ലോകമെമ്പാടും നിന്ന് ആൽ, ചോദ്യങ്ങളുമായി-എന്തു ഈ സ്ട്രീം ചെയ്യുന്നു Battelle (2006) "ഉദ്ദേശങ്ങളുടെ ഡാറ്റാബേസ്" വിളിച്ചിരിക്കുന്നു - കൂട്ടായ ആഗോള ബോധം കടന്നു സ്ഥിരമായി വിൻഡോ നൽകുന്നു. എന്നാൽ പന്നിപ്പനി വിളയാട്ടമാണ് ഒരു അളക്കാനുള്ള വിവരങ്ങൾ ഈ സ്ട്രീം തിരിഞ്ഞു ബുദ്ധിമുട്ടാണ്. ലളിതമായി "പന്നിപ്പനി പാടുകൾ" നന്നായി പ്രവർത്തിക്കില്ലായിരിക്കുമെന്നത് വേണ്ടി അന്വേഷണങ്ങൾ എണ്ണം എണ്ണുന്നത്. പന്നിപ്പനി ഔഷധങ്ങളുടെ വേണ്ടി പന്നിപ്പനി പരിഹാരങ്ങൾ എല്ലാവരെയും ആർ തിരയുന്നവരിൽ വേണ്ടി പന്നിപ്പനി തിരയലുകൾ ഉണ്ട് എല്ലാവരും പന്നിപ്പനി ഉണ്ട്.

Google ഫ്ലൂ ട്രെൻഡ് പിന്നിൽ പ്രധാനവും സമർഥമായ ഹാട്രിക് ഒരു പ്രവചന പ്രശ്നം അളക്കുന്നവഴിയാണ് പ്രശ്നം തിരിക്കാൻ ആയിരുന്നു. ഡിസീസ് കൺട്രോൾ ആൻഡ് പ്രിവൻഷൻ അമേരിക്ക കേന്ദ്രങ്ങളിലൂടെ (സിഡിസി) രാജ്യത്തെ ഡോക്ടർമാർ വിവരങ്ങൾ ശേഖരിക്കുന്ന ഒരു ഇൻഫ്ലുവൻസ നിരീക്ഷണം സിസ്റ്റം ഉണ്ട്. എന്നിരുന്നാലും, ഈ സി.ഡി.സി. സിസ്റ്റം ഉപയോഗിച്ച് ഒരു പ്രശ്നം രണ്ട് ആഴ്ച ലാഗ് റിപ്പോർട്ടുചെയ്യുന്നു ഉണ്ട് എന്നതാണ്; ഡോക്ടർമാർ സർവീസിന് ഡാറ്റ, വൃത്തിയാക്കിയ വേണ്ടി ആയിരിക്കും പ്രോസസ്സ്, ഒപ്പം പ്രസിദ്ധീകരിച്ച സമയം അതിനേ. എന്നാൽ, ഒരു വളർന്നുവരുന്ന പകർച്ചവ്യാധി കൈകാര്യം ചെയ്യുമ്പോൾ, പൊതുജനാരോഗ്യ ഓഫീസുകൾ രണ്ട് ആഴ്ച മുമ്പ് ഉണ്ടായിരുന്നു വളരെ ഇൻഫ്ലുവൻസ എങ്ങനെ അറിയാൻ ആഗ്രഹിക്കുന്നില്ല; അവർ ഇപ്പോൾ അവിടെ വളരെ ഇൻഫ്ലുവൻസ എങ്ങനെ അറിയാൻ ആഗ്രഹിക്കുന്നു. വാസ്തവത്തിൽ, സോഷ്യൽ ഡാറ്റ മറ്റു പല പരമ്പരാഗത സ്രോതസ്സുകളിൽ അവിടെ ഡാറ്റാ ശേഖരണം തിരകളും reporting പിറകിലാണ് തമ്മിലുള്ള വിടവുകൾ ആകുന്നു. ഏറ്റവും വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ, മറുവശത്ത് എപ്പോഴും ഉണ്ട് (വിഭാഗം 2.3.1.2).

അതുകൊണ്ടു, യിരെമ്യാപ്രവാചകൻ Ginsberg സഹപ്രവർത്തകരും (2009) Google തിരയൽ ഡാറ്റ നിന്ന് സി.ഡി.സി. പന്നിപ്പനി ഡാറ്റ പ്രവചിക്കാൻ ശ്രമിച്ചു. ഈ ഗവേഷകർ സി.ഡി.സി., ഭാവിയിൽ ഡാറ്റ ഇന്നത്തെ അളന്നു എന്ന് നിന്നുള്ള ഭാവി ഡാറ്റ ഷിതമായത് ഇപ്പോൾ എത്രത്തോളം ഫ്ലൂ എങ്ങനെ അളക്കാൻ ശ്രമിക്കുന്ന കാരണം "ഇന്നത്തെ ഷിതമായത്" ഉദാഹരണം. മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച്, സി.ഡി.സി. പന്നിപ്പനി ഡാറ്റ ഏറ്റവും പ്രവചിക്കാനാകുന്നത് ആയ കാണാൻ 50 കോടി വ്യത്യസ്ത തിരയൽ പദങ്ങൾ വഴി തിരഞ്ഞു. ആത്യന്തികമായി, അവർ ഏറ്റവും പ്രവചിക്കാനാകുന്നത് തോന്നി 45 വ്യത്യസ്ത അന്വേഷണങ്ങൾ ഒരു സെറ്റ് കണ്ടെത്തി, ഫലങ്ങളും നല്ല; അവർ സി.ഡി.സി. ഡാറ്റ പ്രവചിക്കാൻ തിരയൽ ഡാറ്റ ഉപയോഗിക്കുന്നു കഴിഞ്ഞില്ല. പ്രകൃതിയുമായി ൽ പ്രസിദ്ധീകരിച്ച ഈ പേപ്പർ, ഭാഗമായുള്ളതാണ്, Google ഫ്ലൂ ട്രെൻഡ് വലിയ ഡാറ്റ ശക്തിയെ കുറിച്ച് പലപ്പോഴും വിജയ കഥ മാറി.

ഈ പ്രത്യക്ഷത്തിൽ വിജയം രണ്ടു പ്രധാന മുൻപേ എന്നാൽ, ഉണ്ട്, ഇതൊന്നും മനസിലാക്കാതെ നിങ്ങൾ വിലയിരുത്തുമെന്നും സഹായിക്കാനും പ്രവചന ആൻഡ് nowcasting ചെയ്യും. ആദ്യം, Google ഫ്ലൂ ട്രെൻഡ് യഥാർത്ഥത്തിൽ ഫ്ലൂ വരാനുള്ള രണ്ട് ഏറ്റവും സമീപകാല അളവിന്റെ ഒരു ലീനിയർ extrapolation അടിസ്ഥാനമാക്കി പന്നിപ്പനി തുക കണക്കാക്കുന്നു ലളിതമായ ഒരു മോഡൽ വളരെ ആയിരുന്നില്ല പ്രകടനം (Goel et al. 2010) . ഒപ്പം ചില കാലാവധികളിലുള്ള Google ഫ്ലൂ ട്രെൻഡ് യഥാർത്ഥത്തിൽ ഈ ലളിതമായ സമീപനം ഭേദമാണ് (Lazer et al. 2014) . മറ്റു വാക്കുകളിൽ, അതിന്റെ എല്ലാ ഡാറ്റയും, മെഷീൻ പഠിച്ചിട്ടും ശക്തമായ കമ്പ്യൂട്ടിംഗ് Google ഫ്ലൂ ട്രെൻഡ് നാടകീയമായി ലളിതമായ അനുമാന മനസ്സിലാക്കാൻ എളുപ്പം മറികടന്ന ചെയ്തില്ല. ഇത് ഏതെങ്കിലും പ്രവചനം വിലയിരുത്തുമ്പോൾ അല്ലെങ്കിൽ അത് nowcast ഒരു രേഖയെ നേരെ താരതമ്യം പ്രധാനമാണ് സൂചിപ്പിക്കുന്നത്.

Google ഫ്ലൂ ട്രെൻഡ് കുറിച്ച് രണ്ടാമത്തെ പ്രധാനപ്പെട്ട ഇതുപ്രകാരം സി.ഡി.സി. പന്നിപ്പനി ഡാറ്റ പ്രവചിക്കാൻ കഴിവ് കാരണം ചായ് ആൻഡ് അൽഗോരിത്മിക് മറിച്ച്നോക്കിക്കൊണ്ട് ഹ്രസ്വകാല പരാജയം ദീർഘകാല ശോഷണം പ്രേരിപ്പിക്കുന്നത് ഉണ്ടായിരുന്നു. ഉദാഹരണത്തിന് 2009 പന്നിപ്പനി ബാധയിൽ Google ഫ്ലൂ ട്രെൻഡ് സമയത്ത് നാടകീയമായി മേൽ കണക്കാക്കിയ ഇൻഫ്ലുവൻസ തുക, ജനം ഇന്ഫ്ളുവന്സ വ്യാപകമായ ഭയം പ്രതികരണമായി അവരുടെ തിരയൽ സ്വഭാവം മാറ്റാൻ പ്രവണത ഒരുപക്ഷേ കാരണം (Cook et al. 2011; Olson et al. 2013) . ഈ ഹ്രസ്വകാല പ്രശ്നങ്ങൾക്കു പുറമേ, പ്രകടനം സാവധാനം ദ്രവിച്ച്. Google തിരയൽ അൽഗോരിതങ്ങൾ കുത്തക കാരണം ഈ ദീർഘകാല ശോഷണം കാരണങ്ങൾ പരിഹരിക്കുന്നതിന് പ്രയാസമുള്ള, എന്നാൽ അത് 2011 Google ആളുകളുടെ "പനി" കൂടാതെ "ചുമ" പോലെ ലക്ഷണങ്ങൾ തിരയുമ്പോൾ ബന്ധപ്പെട്ട തിരയൽ പദങ്ങൾ നിർദേശിക്കുന്നു മാറ്റങ്ങൾ വരുത്തി എന്ന് (അത് തോന്നുന്നില്ല ലഭ്യമാകുന്നു ഈ സവിശേഷത ഇനി സജീവമാണ്) എന്ന്. ഈ സവിശേഷത ചേർത്താൽ ഒരു സെർച്ച് എഞ്ചിൻ കച്ചവടം ചെയ്യേണ്ട ഒരു തികച്ചും ന്യായമായ കാര്യം, അത് കൂടുതൽ ആരോഗ്യ ബന്ധപ്പെട്ട തിരയലുകൾ ജനറേറ്റ് കാരണമായി. ഇത് ബിസിനസ്സിനായി ഒരു വിജയമായിരുന്നു, പക്ഷേ-എസ്റ്റിമേറ്റ് ഫ്ലൂ വരാനുള്ള ലേക്ക് Google ഫ്ലൂ ട്രെൻഡ് പരത്തിയ (Lazer et al. 2014) .

ഭാഗ്യവശാൽ, Google ഫ്ലൂ ട്രെൻഡ് ഉപയോഗിച്ച് ഈ പ്രശ്നങ്ങൾ പരിഹരിക്കാവുന്ന ആകുന്നു. വാസ്തവത്തിൽ, കൂടുതൽ ശ്രദ്ധിക്കുക രീതികൾ ഉപയോഗിച്ച് Lazer et al. (2014) ഉം Yang, Santillana, and Kou (2015) മികച്ച ഫലങ്ങൾ നേടുകയും സാധിച്ചു. മുന്നോട്ട് പോകുന്നു എന്നു ഞാന് ഗവേഷകൻ വലിയ ഡാറ്റ കൂട്ടിച്ചേർക്കുന്ന nowcasting പഠനങ്ങൾ Michaelangelo-രീതിയിൽ ഡാറ്റ-ആ Duchamp-രീതിയിൽ Readymades സംയോജിപ്പിച്ച് ശേഖരിച്ച പ്രതീക്ഷിക്കാം Custommades-ഭാവി ഇന്നത്തെ പ്രവചനങ്ങളും വേഗത്തിൽ കൂടുതൽ കൃത്യമായ അളവുകളും ഹാജരാക്കാൻ ത്തേക്കുറിച്ചും പ്രാപ്തമാക്കാൻ.