MARC

 008260311s2025        us                                    eng  d
■001000017361126
■00520260311091541.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270229115
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a006.31
■1001  ▼aHurtado,  Sofia▼eauthor.
■24510▼aQuarantine  in  Motion:  Pandemic  Prevention  at  the  Intersection  of  Human  Mobility,  Epidemiology,  and  AI  ▼cSofia  Hurtado
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (132  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Marculescu,  Radu    Committee  members:  Barber,  Suzanne;  de  Veciana,  Gustavo;  Drake,  Justin;  Julien,  Christine.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aThe  rapid  spread  of  airborne  infectious  diseases,  such  as  COVID-19,  has  highlighted  the  need  for  more  effective  and  scalable  disease  mitigation  strategies  beyond  traditional  manual  contact  tracing  and  exposure  notification  applications.  This  dissertation  explores  the  novel  paradigm  of  "Quarantine  in  Motion",  which  enables  individuals  to  maintain  mobility  while  reducing  disease  transmission  risk.  By  leveraging  graph  neural  networks  (GNNs),  multi-agent  reinforcement  learning  (MARL),  and  real-world  human  mobility  data,  this  work  develops  an  integrated  framework  for  predicting  high-risk  locations,  identifying  transmission  pathways,  and  optimizing  mobility  strategies  to  mitigate  outbreaks.                                                To  extend  disease  contact  tracing  from  reactive  to  proactive  risk  management,  we  introduce  risk-informed  exposure  prediction,  where  GNNs  process  Foursquare  lo-  cation  data  to  forecast  hourly  disease  hotspots.  Simulating  over  36,000  risk-aware  agents  in  Austin,  TX,  we  show  that  even  after  50%  of  the  population  has  been  infected,  individuals  can  still  maintain  mobility  while  reducing  new  infections  by  13%.  Further,  we  propose  a  network  science-based  approach  to  dynamically  construct  and  prune  contact  networks  for  recurring  interactions,  which  significantly  improves  the  accuracy  of  individual-level  epidemic  predictions.  Using  mobility  data  from  1.3  million  devices,  we  validate  this  framework  across  two  major  U.S.  cities,  Austin  and  New  York  City,  demonstrating  improved  outbreak  curve  estimation  with  reduced  model  uncertainty.                                                To  enhance  the  effectiveness  of  automated  contact  tracing,  we  introduce  Infectious  Path  Centrality,  a  novel  network  metric  that  enables  graph  learning-based  edge  classification,  achieving  a  94%  F1-score  in  identifying  key  transmission  events.  We  further  demonstrate  that  bidirectional  contact  tracing,  which  retroactively  and  proactively  isolates  potential  infections,  reduces  the  effective  reproduction  rate  by  71%,  outperforming  traditional  forward  tracing.  Finally,  we  present  an  online  automated  disease-aware  navigation  system  that  dynamically  infers  health  states  and  deploys  mobility-aware  agents,  achieving  a  92%  backwards-tracing  F1-score  and  reducing  disease  spread  by  29%,  even  under  conditions  of  probabilistic  testing  and  social  hesitancy.                                                By  integrating  graph  learning,  reinforcement  learning,  and  network-based  dis-  ease  modeling,  this  dissertation  provides  a  robust  framework  for  real-time  epidemic  mitigation.  The  proposed  methods  bridge  the  gap  between  individual-level  risk  management  and  population-scale  disease  control,  offering  scalable,  data-driven  solutions  for  future  pandemics.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aPublic  health
■650  4▼aComputer  science
■650  4▼aBiostatistics
■650  4▼aEpidemiology
■653    ▼aQuarantine  in  Motion
■653    ▼aDisease  transmission
■653    ▼aTransmission  pathways
■653    ▼aMobility
■653    ▼aGraph  neural  networks
■7102  ▼aThe  University  of  Texas  at  Austin▼bElectrical  and  Computer  Engineering.▼edegree  granting  institution.
■7201  ▼aMarculescu,  Radu▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361126▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서