据估计，每年估计有3140万以上的门诊病人以及20万以上的急诊室和医院病人。仅在2017年至2018年之间发生的烟雾爆发(是最近几年中最长，最危急的烟雾爆发之一)，据估计已导致80,000人死亡，实际上是100万人死亡。百万住院。
毫无疑问，预言流感流行程度和严重程度的诱因很多，而且研究增强型AI预测的研究人员也在不断发展。东京大学的科学家们在Arxiv.org上最近发表的一篇文章中(“特别考虑到借助Google Traits预测流感流行的序列序列”)，东京大学的科学家描述了一种利用Google Traits信息的系统。分析软件程序识别的仪器。Google搜索中的关键搜索查询，以提高准确性。他们指出，他们的策略可以在整个初步评估中获得最佳结果。
作者写道：“早期的流感预测降低了它的影响，疫苗的种类和帮助医务人员的不同抗流感药也会减少选择。” 该报纸的合著者。“已经进行了各种各样的研究，以预测受流感污染的个体的多样性。尽管如此，他们并不是很正确，特别是在遥远的将来。”
员工使用了一种综合智能人体模型，称为“顺序序列”，可以考虑内部警报，选择性地处理输入信息。像大多数机器学习程序一样，从序列到序列的方式包括数学能力层-神经元-吸收信息并将其传输到后续层，从而调整神经元之间的连接能力(权重)。编码器部分生成与输入等效的编码向量(数学表示)，而解码器对输入向量进行编码并预测随后的时间步长输出。
对于上面的Google Traits信息，研究人员迟早使用它们来衡量个人对流感的好奇心。特别地，他们指定了短语“流行性感冒”的检索频率作为人体模型的进一步信息，该信息补偿了疾病体中较暗的信息(获取的信息，但是未用于获取信息)。类似于美国疾病预防和控制中心从医院汇编的流感。
总体而言，劳动力使用了六个州(纽约州，俄勒冈州，加利福尼亚州，伊利诺伊州，德克萨斯州和佐治亚州)因气候变化而受流感样疾病污染的个人的未加权比例。研究人员在2010年10月10日至2018年12月30日(430周)内将数字与州重点关注的Google Traits信息混合在一起。大约67%的信息用于对AI –人体模型进行排序，而37%的信息用于对其进行检查。
该文章的共同作者说，在评估中，序列-序列模型在一个时间范围内具有六个州的“显着更大的”皮尔逊相关性(两个变量之间线性相关性的量度)。与基本方式相比，预测值从1到4周(.996)。以及，他们知道它显示出均方误差为零.67，表明该信息相对集中在最大匹配的正确周围。
研究人员警告说，最大价值降低了，因为无法从教练信息中准确预测出预测期的延长。但是，他们认为包括一个复杂的指标(可能会放弃将来的工作)可能会通过提高准确性来解决此问题。