2.4.2 ကြိုတင်ခန့်မှန်းခြင်းနှင့် nowcasting

အနာဂတ်အတွက်ကြိုတင်ခန့်မှန်းခက်သည်, ဒါပေမယ့်ပစ္စုပ္ပန်ခန့်မှန်းပိုမိုလွယ်ကူသည်။

သုတေသီများစူးစမ်းဒေတာတွေနဲ့သုံးနိုငျဒုတိယအဓိကမဟာဗျူဟာကြိုတင်ခန့်မှန်းသည်။ အနာဂတ်မှာယူဆထားခြင်းမျှသာပြုလုပ်ခြင်း (ကလူဦးရေဖွဲ့စည်းမှု, ဘောဂဗေဒ, ရောဂါနှင့်နိုင်ငံရေးသိပ္ပံများ၏အသေးစားနှင့်အရေးကြီးသောအစိတ်အပိုင်းတစ်ခုဖြစ်ပါသည်ပေမယ့်) နာမည်ဆိုးခက်ခဲဖြစ်တယ်, ဖြစ်ကောင်းကြောင်းအကြောင်းပြချက်များအတွက်, ကြိုတင်ခန့်မှန်းသည်လက်ရှိတွင်လူမှုရေးသုတေသန၏ကြီးမားသောအစိတ်အပိုင်းတစ်ခုမဟုတ်ပါဘူး။ ဤတွင်သို့သော်ကျွန်မ "။ ခန့်မှန်း" "ယခု" ပေါင်းစပ်ပြီးနှင့်မှဆင်းသက်လာ nowcasting -a သက်တမ်းကိုခေါ်မှန်း၏အထူးကြင်နာအာရုံစိုက်ဖို့ကိုကြိုက်မယ့်အစားအနာဂတ်ကိုခန့်မှန်းလက်ရှိပြည်နယ်တိုင်းတာရန်ခန့်မှန်းထံမှအကြံဥာဏ်များသုံးစွဲဖို့ကြိုးစားမှု nowcasting ချင်ပါတယ် ကမ္ဘာ၏, အဲဒါကို "ပစ္စုပ္ပန်ကြိုတင်ခန့်မှန်း" ရန်ကြိုးစားနေ (Choi and Varian 2012) ။ Nowcasting ကမ္ဘာ၏အချိန်မီနှင့်တိကျမှုအတိုင်းအတာကိုလိုအပ်ကြောင်းအစိုးရများနှင့်ကုမ္ပဏီများအထူးသဖြင့်အသုံးဝင်သောဖြစ်ဖို့အလားအလာရှိပါတယ်။

အချိန်မီနှင့်တိကျမှုတိုင်းတာခြင်းဘို့လိုအပ်ကြောင်းအလွန်ရှင်းပါတယ်ဘယ်မှာတစ်ခုမှာ setting ကိုရောဂါဖြစ်ပါတယ်။ တုပ်ကွေးရောဂါ ( "တုပ်ကွေး") ၏ဖြစ်ရပ်စဉ်းစားပါ။ နှစ်စဉ်ရာသီအလိုက်တုပ်ကွေးရောဂါရောဂါရောဂါသန်းပေါင်းများစွာကိုဖြစ်ပေါ်စေခြင်းနှင့်ရာပေါင်းများစွာကမ္ဘာတဝှမ်းသေဆုံးသူထောင်ပေါင်းများစွာ၏၏။ ထို့ပြင်နှစ်စဉ်နှစ်တိုင်း, တုပ်ကွေးရောဂါ၏ဝတ္ထုပုံစံကြောင့်သန်းပေါင်းများစွာကိုသတ်မယ်လို့ပေါ်ထွက်လာနိုင်ကြောင်းဖြစ်နိုင်ခြေတစ်ခုရှိသေး၏။ အဆိုပါ 1918 တုပ်ကွေးရောဂါဖြစ်ပွားဥပမာ, 50 100 လူဦးရေသန်းအကြားသေဆုံးခဲ့ပြီးပါပြီခန့်မှန်းနေသည် (Morens and Fauci 2007) ။ သောကြောင့်ခြေရာခံများနှင့်အလားအလာတုပ်ကွေးရောဂါဖြစ်ပွားမှုကိုတုံ့ပြန်ရန်လိုအပ်ကြောင်း, ကမ္ဘာတစ်ဝှမ်းရှိအစိုးရများတုပ်ကွေးရောဂါစောင့်ကြည့်စနစ်များကိုဖန်တီးခဲ့ကြသည်။ ဥပမာအားဖြင့်, ရောဂါထိန်းချုပ်ရေးနှင့်ကာကွယ်တားဆီးရေးအဘို့ကိုအမေရိကန်စင်တာ (CDC) သို့မှန်မှန်နှင့်စနစ်တကျတိုင်းပြည်တစ်ဝှမ်းဂရုတစိုက်ရွေးချယ်ထားသည့်ဆရာဝန်များအနေဖြင့်သတင်းအချက်အလက်စုဆောင်းပါ။ ဒီစနစ်က high-quality data တွေကိုထုတ်လုပ်ပေမယ့်, တကအစီရင်ခံသုံးနေပြီရှိပါတယ်။ အကြောင်း, လွန်ခဲ့သောနှစ်ပတ်ရှိခဲ့သည်ဘယ်လောက်တုပ်ကွေး၏ CDC စနစ်ကဖြန့်ချိခန့်မှန်းလို့လုပ်ငန်းများ၌, သန့်ရှင်းခံရဖို့ဆရာဝန်များအနေဖြင့်ရောက်ရှိလာသည့်ဒေတာအတွက်အချိန်ကုန်၏, သည်, ပုံနှိပ်ထုတ်ဝေခဲ့သည်။ တစ်ခုထွန်းသစ်စကပ်ရောဂါကိုင်တွယ်သောအခါမူကား, ပြည်သူ့ကျန်းမာရေးအရာရှိများလွန်ခဲ့သောနှစ်ပတ်ရှိခဲ့သည်ဘယ်လောက်တုပ်ကွေးရောဂါကိုသိရန်မလိုချင်ကြဘူး, သူတို့အခုလည်းမရှိဘယ်လောက်တုပ်ကွေးရောဂါကိုသိလိုကြသည်။

အဆိုပါ CDC တုပ်ကွေးရောဂါကိုခြေရာခံဖို့ဒေတာစုဆောင်းကြောင်းတစ်ချိန်တည်းမှာပင် Google ကလည်းအတော်လေးကွဲပြားခြားနားသောပုံစံတွင်ပေမယ့်, တုပ်ကွေးရောဂါပျံ့နှံ့အကြောင်းကိုဒေတာစုဆောင်းနေပါတယ်။ ကမ္ဘာတစ်ဝှမ်းမှလူများကအဆက်မပြတ်ကို Google မှမေးမြန်းချက်များပေးပို့ခြင်း, ဤမေးမြန်းချက်-ထိုကဲ့သို့သော "တုပ်ကွေးကုစား" နှင့်မေးမြန်းမှုအောင်လူတစ်ဦးတုပ်ကွေးရှိကြောင်းညွှန်ပြ -might "တုပ်ကွေးရောဂါလက္ခဏာ" အဖြစ်အချို့ရှိပါသည်။ ဒါပေမယ့်တုပ်ကွေးပျံ့နှံ့လှည်ဖြစ်ပါတယ်ခန့်မှန်းဤရှာဖွေရေးမေးမြန်းချက်သုံးပြီး: တုပ်ကွေးသူမဟုတ်လူတိုင်းတုပ်ကွေး-related ရှာဖွေရေးစေသည်များနှင့်တိုင်းတုပ်ကွေး-related ရှာဖွေရေးတုပ်ကွေးရှိသူတစ်စုံတစ်ဦးကမှမဟုတျ။

ဂျယ်ရမီ Ginsberg နှင့်လုပ်ဖော်ကိုင်ဖက်များအဖွဲ့တစ်ဖွဲ့ (2009) , Google မှာအချို့နှင့် CDC မှာအချို့သောအဲဒီနှစ်ခုဒေတာသတင်းရင်းမြစ်ပေါင်းစပ်ဖို့အရေးကြီးသောနှင့်လိမ္မာပါးနပ်စိတ်ကူးရှိခဲ့ပါတယ်။ အကြမ်းအားဖြင့်, စာရင်းအင်းအဂ္ဂိရတ်တစျမြိုးတစျဆငျ့, သုတေသီတုပ်ကွေးရောဂါပျံ့နှံ့၏အစာရှောင်ခြင်းနှင့်တိကျတိုင်းတာထုတ်လုပ်နိုင်ရန်အတွက်နှောင့်နှေးခြင်းနှင့်တိကျမှန်ကန် CDC ဒေတာနှင့်အတူအစာရှောင်ခြင်းနှင့်တိရှာဖွေရေးဒေတာပေါင်းစပ်။ အဲဒါကိုစဉ်းစားရန်နောက်ထပ်နည်းလမ်းသူတို့က CDC data တွေကိုအရှိန်မြှင့်ရန်ရှာဖွေရေးဒေတာကိုသုံးဖြစ်ပါတယ်။

ပိုများသောအထူးသ, 2007 မှ 2003 ကနေဒေတာတွေကိုသုံးပြီး Ginsberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက 50 သန်းကွဲပြားအသုံးအနှုန်းများများအတွက် CDC ဒေတာအတွက်တုပ်ကွေးရောဂါ၏ပျံ့နှံ့ခြင်းနှင့်ရှာဖွေရေးအသံအတိုးအကျယ်အကြားဆက်ဆံရေးခန့်မှန်းပါတယ်။ လုံးဝ data တွေကိုမောင်းနှင်ခဲ့အထူးပြုဆေးဘက်ဆိုင်ရာအသိပညာမလိုအပ်ခဲ့ဘူးသောဤလုပ်ငန်းစဉ်သည်, မှစ. , သုတေသီများ CDC တုပ်ကွေးပျံ့နှံ့အချက်အလက်များ၏အများစုကိုကြိုတင်ခန့်မှန်းချက်ဖြစ်သလိုပဲကြောင်း 45 ကွဲပြားခြားနားသောမေးမြန်းချက်အစုတခုတွေ့ရှိခဲ့ပါတယ်။ ထို့နောက်သူတို့က 2003-2007 ဒေတာကနေလေ့လာသင်ယူသောဆက်ဆံရေးကိုသုံးပြီး Ginsberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက 2007-2008 တုပ်ကွေးရာသီအတွင်း၎င်းတို့၏မော်ဒယ်စမ်းသပ်စစ်ဆေးပါတယ်။ သူတို့ကသူတို့ရဲ့လုပျထုံးလုပျနညျးအမှန်ပင်အသုံးဝင်သောနှင့်တိကျမှန်ကန် nowcasts (ပုံ 2.6) အောင်နိုင်ကြောင်းတွေ့ရှိခဲ့ပါတယ်။ ဤရလဒ်သည်သဘာဝတရားထဲမှာပုံနှိပ်ထုတ်ဝေနှင့်ချစ်စဖွယ်စာနယ်ဇင်းလွှမ်းခြုံလက်ခံရရှိခဲ့ကြသည်။ ဤစီမံကိန်း-ထားတဲ့ Google ကတုပ်ကွေးသည်ကမ္ဘာ့ပြောင်းလဲပစ်ရန်ကြီးမားသောအချက်အလက်များ၏ပါဝါအကြောင်းကိုတစ်ဦးကိုမကြာခဏ-ထပ်ခါတလဲလဲဥပမာ၏အနကျအဓိပ်ပါယျကား Trends-ဖြစ်လာခဲ့သည်ဟုခေါ်တွင်ခဲ့သည်။

2.6 ပုံ: ဂျယ်ရမီ Ginsberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2009) တုပ်ကွေးကဲ့သို့ဖျားနာခြင်း (Ili) ၏နှုန်းမှာ nowcast နိုင်သည့် Google ကတုပ်ကွေး Trends, ဖန်တီးရန် CDC ဒေတာနှင့်အတူ Google ရှာဖွေရေးဒေတာပေါင်းစပ်။ ဒီကိန်းဂဏန်းအတွက်ရလဒ်များ 2007-2008 တုပ်ကွေးရာသီအတွက်အမေရိကန်ပြည်ထောင်စုအလယ်ပိုင်းအတ္တလန်တိတ်ဒေသအဘို့ဖြစ်ကြ၏။ ဒါကြောင့်အစပိုင်းတွင်အလွန်အလားအလာဖြစ်ခဲ့သည် Google ကတုပ်ကွေး Trends ၏စွမ်းဆောင်ရည်ကိုအချိန်ကျော်လောင်းပုပ်ပျက်သွားပေမယ့် (ကွတ် et al, 2011; ။ Olson et al 2013; ။ ။ Lazer et al, 2014) ။ Ginsberg et al ထံမှအဆင်ပြေအောင်။ (2009), ပုံ 3 ။

2.6 ပုံ: ဂျယ်ရမီ Ginsberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2009) တုပ်ကွေးကဲ့သို့ဖျားနာခြင်း (Ili) ၏နှုန်းမှာ nowcast နိုင်သည့် Google ကတုပ်ကွေး Trends, ဖန်တီးရန် CDC ဒေတာနှင့်အတူ Google ရှာဖွေရေးဒေတာပေါင်းစပ်။ ဒီကိန်းဂဏန်းအတွက်ရလဒ်များ 2007-2008 တုပ်ကွေးရာသီအတွက်အမေရိကန်ပြည်ထောင်စုအလယ်ပိုင်းအတ္တလန်တိတ်ဒေသအဘို့ဖြစ်ကြ၏။ ဒါကြောင့်အစပိုင်းတွင်အလွန်အလားအလာဖြစ်ခဲ့သည် Google ကတုပ်ကွေး Trends ၏စွမ်းဆောင်ရည်ကိုအချိန်ကျော်လောင်းပုပ်ပျက်သွားပေမယ့် (Cook et al. 2011; Olson et al. 2013; Lazer et al. 2014) ။ ကနေအဆင်ပြေအောင် Ginsberg et al. (2009) , ပုံ 3 ။

သို့သော်ဤသိသာအောင်မြင်မှုဇာတ်လမ်းတစ်ပုဒ်နောက်ဆုံးမှာတစ်ဦးအရှက်သို့လှည့်။ အချိန်ကြာလာတာနဲ့အမျှ, သုတေသီများကအစပိုင်းတွင်သည်ထင်ရှားထက် Google Flu Trends လျော့နည်းအထင်ကြီးစေနှစ်ခုအရေးကြီးသောန့်အသတ်ရှာဖွေတွေ့ရှိခဲ့သည်။ ပထမဦးစွာ Google Flu Trends အမှန်တကယ်တုပ်ကွေးပျံ့နှံ့၏နှစ်ခုလတ်တလောတိုင်းတာနေတဲ့ linear extrapolation အပေါ်အခြေခံပြီးတုပ်ကွေး၏ပမာဏကိုခန့်မှန်းတဲ့ရိုးရှင်းတဲ့ပုံစံထက်အများကြီးပိုကောင်းမဟုတ်ခဲ့၏စွမ်းဆောင်ရည် (Goel et al. 2010) ။ နှင့်အချို့သောအချိန်ကာလကိုကျော် Google ကတုပ်ကွေး Trends အမှန်တကယ်ကဒီရိုးရှင်းတဲ့ချဉ်းကပ်မှုထက်ပိုဆိုးခဲ့တယ် (Lazer et al. 2014) ။ တနည်းအားဖြင့်အားလုံး၎င်း၏ဒေတာ, စက်သင်ယူမှုနှင့်အစွမ်းထက်ကွန်ပျူတာနှင့်အတူ Google Flu Trends သိသိသာသာတစ်ရိုးရှင်းပြီးလွယ်ကူစေရန်-to-နားလည် heuristic outperform ခဲ့ပါဘူး။ ဒါဟာမဆိုခန့်မှန်းချက်သို့မဟုတ် nowcast အကဲဖြတ်တဲ့အခါမှာ, တကအခြေခံဆန့်ကျင်နှိုင်းယှဉ်ဖို့အရေးကြီးပါတယ်ကြောင်းအကြံပြုထားသည်။

Google ကတုပ်ကွေး Trends အကြောင်းကိုဒုတိယအရေးကြီးသောအတွက်အသိပေးချက်သည့် CDC တုပ်ကွေးဒေတာကြိုတင်ခန့်မှန်းရန်၎င်း၏စွမ်းရည်ရှိသောကြောင့်ပျံ့နှင့် algorithmic သဖွငျ့ရေတိုရေရှည်ပျက်ကွက်ခြင်းနှင့်ရေရှည်ယိုယွင်းမှကျရောက်နေတဲ့ခဲ့သောကွောငျ့ဖွစျသညျ။ ဥပမာ, 2009 ခုနှစ်က်တုပ်ကွေးဖြစ်ပွား Google Flu Trends ကာလအတွင်းသိသိသာသာလူကမ္ဘာလုံးဆိုင်ရာဖြစ်ပွားခဲ့တဲ့တုပ်ကွေးရောဂါ၏ကျယ်ပြန့်ကြောက်ရွံ့သောသဘောသည်မှတုန့်ပြန်မှာသူတို့ရဲ့ရှာဖွေရေးအပြုအမူကိုပြောင်းလဲလေ့ဖြစ်ကောင်းသောကွောငျ့, တုပ်ကွေးရောဂါ၏ပမာဏမတန်တဆ (Cook et al. 2011; Olson et al. 2013) ။ ဤအရေတိုရေရှည်ပြဿနာများအပြင်, စွမ်းဆောင်ရည်တဖြည်းဖြည်းအချိန်ကြာလာတာနဲ့အမျှလောင်းပုပ်ပျက်သွား။ ဒီရေရှည်ယိုယွင်းများအတွက်အကြောင်းပြချက် Diagnosing Google ရှာဖွေ algorithms စီးပွားဖြစ်ကြောင့်ခက်ခဲပေမယ့် 2011 ခုနှစ်မှာ Google ကလူတွေက "အဖျား" နှင့် "ချောင်းဆိုး" ကဲ့သို့တုပ်ကွေးရောဂါလက္ခဏာများကိုရှာဖွေတဲ့အခါမှာဆက်စပ်ရှာဖွေရေးဝေါဟာရများကိုအကြံပြုစတင်ခဲ့ပုံ (ကလည်းထင်ရ ဒီ feature) မရှိတော့တက်ကြွဖြစ်ပါတယ်။ ဒီ feature ထည့်သွင်းခြင်းသင်တစ်ဦးကို search engine ကို run မယ်ဆိုရင်လုပ်ဖို့လုံးဝကျိုးကြောင်းဆီလျော်အရာဖြစ်ပါသည်, သို့သော်ဤ algorithmic ပြောင်းလဲမှုတုပ်ကွေးပျံ့နှံ့အထင်ကြီးဖို့ Google ကတုပ်ကွေး Trends စေသောအရာထက်ပိုကျန်းမာရေး-related ရှာဖွေမှုများကိုထုတ်လုပ်များ၏အကျိုးသက်ရောက်မှုရှိခဲ့ (Lazer et al. 2014)

ထိုသူနှစ်ဦးအတွက်အသိပေးချက်အနာဂတ် nowcasting အားထုတ်မှုရှုပ်ထွေး, ဒါပေမဲ့သူတို့ကသူတို့ကို Doom ပါဘူး။ တကယ်တော့ပိုသတိထားနည်းလမ်းများ အသုံးပြု. , Lazer et al. (2014) နှင့် Yang, Santillana, and Kou (2015) ကဤပြဿနာနှစ်ခုကိုရှောင်ရှားနိုင်ခဲ့ကြတယ်။ ရှေ့ဆက် Going, ငါသည်သုတေသီ-စုဆောင်းဒေတာနှင့်အတူကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်ပေါင်းစပ်ကြောင်း nowcasting လေ့လာမှုများမရှိမဖြစ်လိုအပ်တဲ့အချို့သုံးနေပြီနှင့်အတူအချိန်ကြာလာတာနဲ့အမျှအကြိမ်ကြိမ်ဖန်ဆင်းထားသည်ဆိုတိုင်းတာခြင်းအရှိန်မြှင့်ခြင်းဖြင့်ပိုပြီးအချိန်မီနှင့်ပိုပြီးတိကျမှုခန့်မှန်းချက်ကိုဖန်တီးရန်ကုမ္ပဏီများနှင့်အစိုးရများ enable လိမ့်မည်ဟုမျှော်လင့်ထား။ ထိုကဲ့သို့သော Google Flu Trends အဖြစ် Nowcasting စီမံကိန်းများကိုလည်းကြီးမားသောဒေတာသတင်းရင်းမြစ်သုတေသန၏ရည်ရွယ်ချက်များအတွက်ဖန်တီးထားခဲ့သောပိုပြီးရိုးရာဒေတာတွေနဲ့ပေါင်းစပ်လျှင်ဖွစျနိုငျသောအရာကိုပြပါ။ အခန်း 1 ၏အနုပညာနှိုင်းယှဉ်မယ်ဆိုရင်ပြန်စဉ်းစား, nowcasting မဝေးတော့တဲ့အနာဂတ်ပစ္စုပ္ပန်နှင့်ဟောကိန်းများပိုမိုအချိန်မီနှင့်ပိုပြီးတိကျမှုတိုင်းတာမှုများနှင့်အတူဆုံးဖြတ်ချက်ချမှတ်သူများပေးနိုင်ရန်အတွက် Michelangelo-စတိုင် custommades နှင့်အတူ Duchamp-စတိုင် readymades ပေါင်းစပ်ဖို့အလားအလာရှိပါတယ်။