Hochschule Bonn-Rhein-Sieg
Publikationsserver der Hochschule Bonn-Rhein-Sieg - pub H-BRSNot a member yet
7939 research outputs found
Sort by
Wastewater as an early indicator for short-term forecasting COVID-19 hospitalization in Germany
No full textBackground: The COVID-19 pandemic has profoundly affected daily life and posed significant challenges for politics, the economy, and the education system. To better prepare for such situations and implement effective measures, it is crucial to accurately assess, monitor, and forecast the progression of a pandemic. This study examines the potential of integrating wastewater surveillance data to enhance an autoregressive COVID-19 forecasting model for Germany and its federal states.
Methods: First, we explore the cross-correlations between SARS-CoV-2 viral RNA load measured in wastewater and COVID-19 hospitalization considering different time-lags. Further, the study compares the performance of different models, including Random Forest regressors, XGBoost regressors, ARIMA models, linear regression, and ridge regression models, both with and without the use of wastewater data as predictors. For decision tree-based models, we also analyze the performance of fully cross-modal models that rely solely on viral load measurements to predict COVID-19 hospitalization rates.
Results: Our retrospective analysis suggest that wastewater data can potentially serve as an early warning indicator of impending trends in hospitalization at a national level, as it shows a strong correlation with hospitalization figures of up to 86% and tends to lead them by up to 8 days. Despite this, including wastewater data in the prediction models did not statistical significantly enhance the accuracy of COVID-19 hospitalization forecasts. The ARIMA model without the inclusion of wastewater viral load data emerged as the best-performing model, achieving a Mean Absolute Percentage Error of 4.76% forecasting hospitalization 7 days ahead. However, wastewater viral load proved to be a valuable standalone predictor, offering an objective alternative to classical surveillance methods for monitoring pandemic trends.
Conclusion: This study reinforces the potential of wastewater surveillance as an early warning tool for COVID-19 hospitalizations in Germany. While strong correlations were observed, the integration of wastewater data into predictive models did not improve their performance. Nevertheless, wastewater viral load serves as a valuable indicator for monitoring pandemic trends, suggesting its utility in public health surveillance and resource allocation. Further research may help to clarify the real-time applicability of wastewater data and expand its use to other pathogens and data sources
Supplementary Material for the Paper "Phishing Susceptibility and the (In-)Effectiveness of Common Anti-Phishing Interventions in a Large University Hospital"
No full textKeine Aufrechnung mit rückständigen Beitragsforderungen nach erteilter Restschuldbefreiung
No full textBSG, Urteil vom 03.12.2024 – B 2 U 11/22
Are Learning-Based Approaches Ready for Real-World Indoor Navigation? A Case for Imitation Learning
No full textWoran denken Sie, wenn Sie ‚Informatik‘ hören?: Können Wortassoziationen einen Einblick in die motivationale Haltung von Studierenden geben, und sind Large Language Models für die Auswertung geeignet?
No full textMotivation, Zugehörigkeit zum eigenen Studiengang und Studienzufriedenheit sind gut untersuchte Indikatoren für Studienerfolg, zu deren Erhebung zahlreiche psychologische Inventare existieren. Möchte man sich jedoch zu Beginn einer Lehrveranstaltung direkt einen Überblick über die motivationalen Einstellungen der anwesenden Studierenden verschaffen, stellt eine klassische Befragung einen nicht unerheblichen Zeitfaktor dar. Der vorliegende Beitrag untersucht, inwiefern implizite Einstellungen von Studierenden zu studiumsrelevanten Begriffen mit etablierten Indikatoren für akademischen Erfolg wie Motivation oder Selbstwirksamkeitserleben in Verbindung stehen, und ob sich Large Language Models (LLM) für die Bestimmung von Sentimentscores eignen. Implizite Einstellungen wurden operationalisiert über Wortassoziationen, die Zuordnung von Sentiment-Scores erfolgte mittels eines LLMs (DeepSeek R1 Distill Llama 70B). Basierend auf einer anonymen Erhebung mit 157 Teilnehmenden zeigte sich, dass positive Assoziationen zu Wissenschaft, Studieninstitut und Studienfach signifikant mit Fähigkeitszuwachsmotivation und inhaltlicher Studienzufriedenheit korrelierten. Insbesondere korrelierten positive Assoziationen zum Studienfach mit Stolz auf die eigene Fachzugehörigkeit und inhaltlicher Studienzufriedenheit. Insgesamt stellt sich der Einsatz von LLM als vielversprechender Ansatz zur Auswertung von Valenzen in studienrelevanten Assoziationen dar
Entwicklung einer europäischen Open-Source-Plattform zur Entscheidungsfindung mit Mobilitätsdaten - MIAAS
No full textStädte haben die Aufgabe, Mobilität verlässlich, nachhaltig und benutzerfreundlich zu gestalten und verschiedene Dienste bestmöglich zu vernetzen. Shared Mobility kann dabei in enger Verzahnung mit dem ÖPNV ein zentraler Bestandteil einer modernen Mobilitätsstrategie werden. Rasant wachsende Angebote sowie fehlende Daten und Entscheidungswerkzeuge stellen Städte jedoch bereits heute vor große Herausforderungen. Shared-Mobility-Angebote können ein zentraler Bestandteil der Mobilitätswende werden. Verkehrsbezogene Probleme, wie Luftverschmutzung, Lärm und Staus lassen sich insbesondere dann minimieren, wenn dabei umweltfreundliche Fahrzeuge zum Einsatz kommen, die nahtlos mit dem ÖPNV kombiniert werden können. Moderne Angebote mit Fahrzeugen ohne feste Stationen stellen Städte jedoch bereits heute vor große Herausforderungen. Besonders die wachsende Anzahl von Anbietern mit immer größeren Flotten erschwert die Steuerung der Gesamtmobilität im ohnehin schon engen urbanen Raum zusätzlich. Die von den Flotten generierten Datenmengen bieten die Chance, Städte bei diesen Herausforderungen zu unterstützen. Die Datenbasis wird derzeit jedoch kaum genutzt, da keine einheitliche Zugriffsmöglichkeit besteht und geeignete Werk-zeuge zur Nutzbarmachung fehlen. Auch ein direkter Austausch zwischen Städten und Anbietern, z.B. für Standortdaten oder Parkverbotszonen ist derzeit meist nicht standardisiert. MIAAS ist ein Open-Source-Dashboard zur Entscheidungsfindung und Mobilitätsplanung auf Basis von Mobilitätsdaten. Dazu werden unter anderem Shared-Mobility-Daten zu einer standardisierten Entscheidungsgrundlage zusammengeführt und anschließend nutzbar gemacht. Ein Dashboard für Mobility Intelligence (MI) bietet Städten und nachgeordneten Stellen einen zentralen Datenzugang und stellt gleichzeitig die benötigten Analysewerkzeug zur Verfügung. Mit diesen soll eine datengetriebene Entscheidungsfindung zur Planung der Gesamtmobilität ermöglicht werden
Towards Intelligent Adaption in Cognitive Assistance Systems through Physiological Computing
No full text
Reinforcing mechanisms of polymer matrix composites: evaluation and modeling of matrix/dispersed phase interrelationship
No full textThis doctoral thesis presents a comprehensive study on the mechanical behavior of polymer matrix composites (PMC), focusing on process-structureproperty relationships and the development of advanced modeling approaches. It introduces the impulse excitation technique as a reliable, non-destructive method for determining elastic properties of PMC and extends the modeling approaches according to Paul and Ishai-Cohen to incorporate interfacial adhesion effects. These modifications enable more accurate predictions of the mechanical performance of the PMC. Additionally, a viscoelastic model based on the concept of elementary volume was developed and validated for both particle- and fiber-filled composites, taking into account filler content, orientation, and time-dependent adhesion in order to improve long-term creep predictions.Tato dizertační práce představuje komplexní studii mechanického chování kompozitů s polymerní matricí (PMC), se zaměřením na vztahy mezi zpracováním, strukturou a vlastnostmi, a na vývoj pokročilých modelovacích přístupů. Práce zavádí metodu impulzní excitace jako spolehlivý a nedestruktivní nástroj pro stanovení elastických vlastností PMC, a rozšiřuje modely podle Paula a Ishai–Cohena o vliv adheze na rozhraní fází. Tato modifikace umožňuje přesnější predikci mechanického chování těchto kompozitních materiálů. Dále byl vyvinut a experimentálně ověřen viskoelastický model založený na konceptu elementárního objemu, a to jak pro kompozity plněné částicemi, tak vlákny. Model zohledňuje obsah a orientaci plniva i časově závislou adhezi, což zlepšuje predikci dlouhodobého creepu (tečení) materiálu
