競賽細節
題目敘述
(1)題目背景與重要性
病毒造成的流感已成為現代公共衛生領域的重要議題，SARS、H1N1、A型流感、MERS等惡名昭彰的流感在近代公衛史上留名，2019年底爆發的新冠肺炎（COVID-19）為2020年初的全球人民健康帶來了巨大威脅。病毒因現代便利的交通而擴散至全球，使確診人數不斷攀升，各國面臨防疫物資缺乏和醫療體系崩潰的風險，全球經濟遭受巨大衝擊，舉凡觀光旅遊業、運輸業、零售業、深受全球供應鏈牽動的製造業，乃至金融業，均受到雪崩式的影響。面對突發性的公共衛生危機，若能及早掌握疫情發展趨勢，有助於擬定應變策略、預防疾病蔓延，將可能的衝擊降到最低。
(2)問題情境與痛點(Pain point)
A. 疫情前期：
未能有效掌握潛在高危險群，低估疫情蔓延可能性。
B. 疫情中期：
未能掌握流行趨勢變化，可能導致醫療資源及防疫需求物資調度不及；此外，頒布各項非常措施所觸及之層面和影響範圍大，應有更全盤的階段性規畫以保障民眾行使個人權益。
C. 疫情後期：
景氣逐漸復甦，各產業需要提前掌握時機佈局以迎接經濟反彈。
(3)預期透過AI達到的目的與利益點(Gain)
透過輿情分析，偵測潛在的類流感案例，進而準確預測疫情趨勢，可協助衛生單位及早投入防疫準備工作：
A. 預防大流行發生，掌握民眾健康服務需求
B. 提前部署相關物資、醫療資源、相關措施，提供企業、校園預警，加強職場、教育現場的健康管理，或開發新的服務模式（遠距合作、電商服務、遠距教學等）
C. 降低疫情對各產業的衝擊。
(4)技術完成後的使用對象
疾病管制署、各縣市衛生局、醫療院所、企業（服務業）、校園、一般民眾
(5)成果運用方式等內容
A. 防疫資源整備及調度依據
B. 醫院急診分流、病房資源整備依據
C. 促使民眾加強預防措施：施打疫苗、勤洗手、戴口罩
D. 企業、教育產業提早開發新服務模式
病毒造成的流感已成為現代公共衛生領域的重要議題，SARS、H1N1、A型流感、MERS等惡名昭彰的流感在近代公衛史上留名，2019年底爆發的新冠肺炎（COVID-19）為2020年初的全球人民健康帶來了巨大威脅。病毒因現代便利的交通而擴散至全球，使確診人數不斷攀升，各國面臨防疫物資缺乏和醫療體系崩潰的風險，全球經濟遭受巨大衝擊，舉凡觀光旅遊業、運輸業、零售業、深受全球供應鏈牽動的製造業，乃至金融業，均受到雪崩式的影響。面對突發性的公共衛生危機，若能及早掌握疫情發展趨勢，有助於擬定應變策略、預防疾病蔓延，將可能的衝擊降到最低。
(2)問題情境與痛點(Pain point)
A. 疫情前期：
未能有效掌握潛在高危險群，低估疫情蔓延可能性。
B. 疫情中期：
未能掌握流行趨勢變化，可能導致醫療資源及防疫需求物資調度不及；此外，頒布各項非常措施所觸及之層面和影響範圍大，應有更全盤的階段性規畫以保障民眾行使個人權益。
C. 疫情後期：
景氣逐漸復甦，各產業需要提前掌握時機佈局以迎接經濟反彈。
(3)預期透過AI達到的目的與利益點(Gain)
透過輿情分析，偵測潛在的類流感案例，進而準確預測疫情趨勢，可協助衛生單位及早投入防疫準備工作：
A. 預防大流行發生，掌握民眾健康服務需求
B. 提前部署相關物資、醫療資源、相關措施，提供企業、校園預警，加強職場、教育現場的健康管理，或開發新的服務模式（遠距合作、電商服務、遠距教學等）
C. 降低疫情對各產業的衝擊。
(4)技術完成後的使用對象
疾病管制署、各縣市衛生局、醫療院所、企業（服務業）、校園、一般民眾
(5)成果運用方式等內容
A. 防疫資源整備及調度依據
B. 醫院急診分流、病房資源整備依據
C. 促使民眾加強預防措施：施打疫苗、勤洗手、戴口罩
D. 企業、教育產業提早開發新服務模式
資料型態
氣象資料開放平台：Json/XML檔
疾病管制署資料開放平台：Json/CSV檔
資策會服創所：
1. Facebook 熱門文章 API：JSON檔
2. AI HUB Facebook 文章關鍵字搜尋 API：JSON檔
3. PTT 文章關鍵字搜尋 API：JSON檔
4. PTT 熱門文章 API：JSON檔
5. 論壇熱門文章 API ：JSON檔
6. 新聞文章關鍵字搜尋 API：JSON檔
疾病管制署資料開放平台：Json/CSV檔
資策會服創所：
1. Facebook 熱門文章 API：JSON檔
2. AI HUB Facebook 文章關鍵字搜尋 API：JSON檔
3. PTT 文章關鍵字搜尋 API：JSON檔
4. PTT 熱門文章 API：JSON檔
5. 論壇熱門文章 API ：JSON檔
6. 新聞文章關鍵字搜尋 API：JSON檔
資料集整備度與細節說明
資策會服創所：另外連結
1. Facebook 共26,000個粉絲頁
2. PTT共820個版
3. 論壇共3,000個channel
4. 新聞共2,300個channel
CDC Open Data： (下載日期3/19，資料持續更新中)另外連結
1. 「地區年齡性別統計表-流感併發重症」數據14642筆(859KB)。
2. 「健保門診及住院就診人次統計-流感及其所致肺炎」數據134862筆（4.93MB）。
3. 「急診傳染病監測統計-類流感」數據73817筆（1.91MB）。
4. 「地區年齡性別統計表-嚴重特殊傳染性肺炎(C0VID-19)」93筆（5.52KB）。
5. 「每週肺炎及流感死亡監測」(2019至今)63筆 (1.43KB）。
氣象資料開放平台：另外連結
1. 大氣水文研究資料庫：
https://dbar.pccu.edu.tw/
2. 中央氣象局-開放資料平台：https://opendata.cwb.gov.tw/index
1. Facebook 共26,000個粉絲頁
2. PTT共820個版
3. 論壇共3,000個channel
4. 新聞共2,300個channel
CDC Open Data： (下載日期3/19，資料持續更新中)另外連結
1. 「地區年齡性別統計表-流感併發重症」數據14642筆(859KB)。
2. 「健保門診及住院就診人次統計-流感及其所致肺炎」數據134862筆（4.93MB）。
3. 「急診傳染病監測統計-類流感」數據73817筆（1.91MB）。
4. 「地區年齡性別統計表-嚴重特殊傳染性肺炎(C0VID-19)」93筆（5.52KB）。
5. 「每週肺炎及流感死亡監測」(2019至今)63筆 (1.43KB）。
氣象資料開放平台：另外連結
1. 大氣水文研究資料庫：
https://dbar.pccu.edu.tw/
2. 中央氣象局-開放資料平台：https://opendata.cwb.gov.tw/index
期望成果需求
第一階段：
【類流感預測】
第二階段：
1. 解題目標及相關時程：
以即時更新之社群文章數據集、國內疫情資訊、天氣及相關敏感變數資料集，持續加入2020年7-9月份的所有資料，團隊必須於2020年9月起逐周做出往後一個月之預測，預測內容包含「類流感就診人次」以及「趨勢走向(上升、下降)」，共做出4次預測。
8/7(五) 公布第一階段評選結果及時程預告。
8/14(五) 公告成果報告及第二階段成果交付格式。
(1) 9月06日(第37周)，預測：09/06~10/03 (第37周~第40周) 第1次成果收件：9/3(四)9:00~9/6(日)21:00
(2) 9月13日(第38周)，預測：09/13~10/10 (第38周~第41周) 第2次成果收件：9/10(四)9:00~9/13(日)21:00
(3) 9月20日(第39周)，預測：09/20~10/17 (第39周~第42周) 第3次成果收件：9/17(四)9:00~9/20(日)21:00
(4) 9月27日(第40周)，預測：09/27~10/24 (第40周~第43周) 第4次成果收件及報告、程式碼提交：9/24(四)9:00~9/27(日)21:00
10/28(三) - 10/30 (五) 第二階段成果評選公布。
2. 評選方法：
(1) 以月為預測週期，連續四周針對病例數進行預測，以CDC「急診症候群監測系統」公佈之真值進行驗證，所預測的類流感就診人次誤差越小者為優。
(2) 期望模型每周預測結果平均準確率大於90%，且趨勢走向之預測符合真實狀況。
(3) 模型內容須涵蓋輿情分析數據，且必須使用題目提供之各項資料數據集；但不限制解題團隊納入其他資料來源訓練模型。解題團隊須提交使用之數據資料集、演算法、程式碼予AIGO計畫辦公室，進行成果查驗。
(4) 成果報告及程式碼須完整清楚提供，以確保成果可被重製(reproducible)及可被維護(maintainable)， 資料前處理、參數設定、演算法模型必須程式化且妥善註解 ，以利成果落地應用時相關單位掌握模型的轉換內容與方式。
(5) 評分(總分為100分)：
成果採綜合評分，預測精準度(80%)與成果報告(20%)
預測精準度權重：就診人次預測誤差(MAPE)佔80%、趨勢走向預測(Hit)正確與否佔20%。(計算方式：MAPE之PR值*0.8+(5*Hit))
成果報告權重：詳見成果報告書格式。
屆時若遇到解題團隊同分之狀況，將以運算能力(Computation Power)來衡量，花費的運算時間最少者為優。
*備註1：【就診人次預測誤差 MAPE（Mean Absolute Percentage Error）】為預測就診數與實際就診數之實際差距，採百分比計算，參考公式為：
*備註2：【趨勢走向預測 (Hit)】為預測就診數上升或下降與實際是否上升或下降相符合。成功預測1次趨勢走向，則得到5分，共預測4次；參考公式為：
sign(第i期預測值−第i−1期預測值)=sign(第i期實際值−第i−1期實際值)
*註釋(1)：sign(x)為符號函數
*註釋(2)：第i期代表第i週
*備註3：主辦單位保有最終修改、變更、解釋之權利。
【類流感預測】
- 第一階段解題目標： 團隊必須在2020年6月最後一週繳交2020年7月份每週預測之類流感就診人次，由AIGO 計畫辦公室針對2020年7月份實際發生的類流感就診人次進行比對。
- 相關時間點： 當週統計結果，將於隔周三公布。
- 作法：
- 解題目標範圍： 第28週（07/05~07/11）~第31週（07/26~08/01）
- 提交答案日期： 提交答案截止日：7/4(六) ，第27週的最後一天。
- 於08/05(三)公佈最後一週答案，並算出隊伍7月這四週的就診人次預測誤差 MAPE。
急診傳染病監測統計-類流感 (2020年)
預測區間 / 分數核算結果公佈時間
第28週：07/05~07/11 / 第29週：07/15(三)
第29週：07/12~07/18 / 第30週：07/22(三)
第30週：07/19~07/25 / 第31週：07/29(三)
第31週：07/26~08/01 / 第32週：08/05(三)
第二階段：
1. 解題目標及相關時程：
以即時更新之社群文章數據集、國內疫情資訊、天氣及相關敏感變數資料集，持續加入2020年7-9月份的所有資料，團隊必須於2020年9月起逐周做出往後一個月之預測，預測內容包含「類流感就診人次」以及「趨勢走向(上升、下降)」，共做出4次預測。
8/7(五) 公布第一階段評選結果及時程預告。
8/14(五) 公告成果報告及第二階段成果交付格式。
(1) 9月06日(第37周)，預測：09/06~10/03 (第37周~第40周) 第1次成果收件：9/3(四)9:00~9/6(日)21:00
(2) 9月13日(第38周)，預測：09/13~10/10 (第38周~第41周) 第2次成果收件：9/10(四)9:00~9/13(日)21:00
(3) 9月20日(第39周)，預測：09/20~10/17 (第39周~第42周) 第3次成果收件：9/17(四)9:00~9/20(日)21:00
(4) 9月27日(第40周)，預測：09/27~10/24 (第40周~第43周) 第4次成果收件及報告、程式碼提交：9/24(四)9:00~9/27(日)21:00
10/28(三) - 10/30 (五) 第二階段成果評選公布。
2. 評選方法：
(1) 以月為預測週期，連續四周針對病例數進行預測，以CDC「急診症候群監測系統」公佈之真值進行驗證，所預測的類流感就診人次誤差越小者為優。
(2) 期望模型每周預測結果平均準確率大於90%，且趨勢走向之預測符合真實狀況。
(3) 模型內容須涵蓋輿情分析數據，且必須使用題目提供之各項資料數據集；但不限制解題團隊納入其他資料來源訓練模型。解題團隊須提交使用之數據資料集、演算法、程式碼予AIGO計畫辦公室，進行成果查驗。
(4) 成果報告及程式碼須完整清楚提供，以確保成果可被重製(reproducible)及可被維護(maintainable)， 資料前處理、參數設定、演算法模型必須程式化且妥善註解 ，以利成果落地應用時相關單位掌握模型的轉換內容與方式。
(5) 評分(總分為100分)：
成果採綜合評分，預測精準度(80%)與成果報告(20%)
預測精準度權重：就診人次預測誤差(MAPE)佔80%、趨勢走向預測(Hit)正確與否佔20%。(計算方式：MAPE之PR值*0.8+(5*Hit))
成果報告權重：詳見成果報告書格式。
屆時若遇到解題團隊同分之狀況，將以運算能力(Computation Power)來衡量，花費的運算時間最少者為優。
*備註1：【就診人次預測誤差 MAPE（Mean Absolute Percentage Error）】為預測就診數與實際就診數之實際差距，採百分比計算，參考公式為：
*備註2：【趨勢走向預測 (Hit)】為預測就診數上升或下降與實際是否上升或下降相符合。成功預測1次趨勢走向，則得到5分，共預測4次；參考公式為：
sign(第i期預測值−第i−1期預測值)=sign(第i期實際值−第i−1期實際值)
*註釋(1)：sign(x)為符號函數
*註釋(2)：第i期代表第i週
*備註3：主辦單位保有最終修改、變更、解釋之權利。
可提供之解題資源
無
額外獎勵誘因
無
出題單位
AIGO計畫辦公室
單位(公司)簡介
無
其他備註
無
* 題目因實際數據改變或其他不可抗力之事由，出題企業保有修改、變更或取消題目之權利。
資料下載
請登入後並組隊加入競賽