In this study, we leverage the fusion of edge computing, artificial intelligence (AI) methods, and facilities provided by B5G to build a heterogeneous set of AI techniques for COVID-19 outbreak prediction. Advancement in the areas of AI, edge computing, the Internet of Things (IoT), and fast communication networks provided by beyond 5G (B5G) networks has opened doors for new possibilities by fusing these technologies and techniques. In a pandemic outbreak, such as COVID-19, the need for rapid analysis, decision making, and prediction of future trends becomes paramount. On a global map, the distributed processing and analysis of data at the source is now possible and much more efficient. With the features provided by B5G, such as low latency, larger area coverage, higher data rate, and realtime communication, building new intelligent and efficient frameworks is becoming easier. In this study, our aim is to achieve higher accuracy in prediction by fusing multiple AI methods and leveraging the B5G communication architecture. We propose a distributed architecture for training AI methods on edge devices, with the results of edge-trained models then propagated to a central cloud AI method, which then combines all the received edge-trained models into a global and final prediction model. The experimental results of five countries (United States, India, Italy, Bangladesh, and Saudi Arabia) show that the proposed distributed AI on edges can predict COVID-19 outbreak better than that of each individual AI method in terms of correlation coefficient scores.

中文翻译：

---

支持 B5G 的边缘分布式人工智能用于 COVID-19 大流行病爆发预测

在这项研究中，我们利用 B5G 提供的边缘计算、人工智能 (AI) 方法和设施的融合来构建一组用于 COVID-19 爆发预测的异构 AI 技术。人工智能、边缘计算、物联网 (IoT) 和超 5G (B5G) 网络提供的快速通信网络领域的进步通过融合这些技术和技巧为新的可能性打开了大门。在 COVID-19 等大流行爆发中，快速分析、决策和预测未来趋势的需求变得至关重要。在全球地图上，现在可以在源头进行数据的分布式处理和分析，而且效率更高。凭借B5G提供的低时延、更大区域覆盖、更高数据速率和实时通信等特性，构建新的智能高效框架变得越来越容易。在本研究中，我们的目标是通过融合多种 AI 方法并利用 B5G 通信架构来实现更高的预测精度。我们提出了一种分布式架构，用于在边缘设备上训练 AI 方法，然后将边缘训练模型的结果传播到中央云 AI 方法，然后将所有接收到的边缘训练模型组合成全局和最终预测模型。五个国家（美国、印度、意大利、孟加拉国和沙特阿拉伯）的实验结果表明，就相关系数得分而言，所提出的边缘分布式 AI 可以比每个单独的 AI 方法更好地预测 COVID-19 爆发。我们的目标是通过融合多种 AI 方法并利用 B5G 通信架构来实现更高的预测精度。我们提出了一种分布式架构，用于在边缘设备上训练 AI 方法，然后将边缘训练模型的结果传播到中央云 AI 方法，然后将所有接收到的边缘训练模型组合成全局和最终预测模型。五个国家（美国、印度、意大利、孟加拉国和沙特阿拉伯）的实验结果表明，就相关系数得分而言，所提出的边缘分布式 AI 可以比每个单独的 AI 方法更好地预测 COVID-19 爆发。我们的目标是通过融合多种 AI 方法并利用 B5G 通信架构来实现更高的预测精度。我们提出了一种分布式架构，用于在边缘设备上训练 AI 方法，然后将边缘训练模型的结果传播到中央云 AI 方法，然后将所有接收到的边缘训练模型组合成全局和最终预测模型。五个国家（美国、印度、意大利、孟加拉国和沙特阿拉伯）的实验结果表明，就相关系数得分而言，所提出的边缘分布式 AI 可以比每个单独的 AI 方法更好地预测 COVID-19 爆发。然后将边缘训练模型的结果传播到中央云 AI 方法，然后将所有接收到的边缘训练模型组合成全局和最终预测模型。五个国家（美国、印度、意大利、孟加拉国和沙特阿拉伯）的实验结果表明，就相关系数得分而言，所提出的边缘分布式 AI 可以比每个单独的 AI 方法更好地预测 COVID-19 爆发。然后将边缘训练模型的结果传播到中央云 AI 方法，然后将所有接收到的边缘训练模型组合成全局和最终预测模型。五个国家（美国、印度、意大利、孟加拉国和沙特阿拉伯）的实验结果表明，就相关系数得分而言，所提出的边缘分布式 AI 可以比每个单独的 AI 方法更好地预测 COVID-19 爆发。