ICMLApr, 2020

基于数据同化的新型冠状病毒疫情流行病学建模方法

PDF
TL;DR我们提出了一种流行病学模型，它可以通过变分数据同化实时地整合新数据，用于预测和评估全球隔离措施的社会和经济成本，并分析和讨论中国、美国和意大利的感染率，尤其是我们开发了一个适用于中国城市疫情相关变量的定制隔室 SIR 模型，称为 SITR 模型，并应用混合数据同化方法使结果鲁棒性更强。
pandemicepidemiological modeldata assimilationinfection ratespolicy evaluation
发现论文，激发创造
  • 一种基于实时信号和数据同化的流行病预测参数预测新方法

    本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

    Jul, 2023

  • COVID-19 的动态因果建模

    本文利用动态因果模型和集成动力学，通过对干预和不同人群间的差异进行建模，量化了冠状病毒在不同情况下的不确定性和预测。同时，该研究还观察到了群体免疫导致的非线性影响和自组织缓解过程方面的有趣现象。

    Apr, 2020

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • 聚合异质数据的流行病学建模的差异

    本研究通过结合多个不同参数的 SEIR 模型的流行病曲线，生成了三个复杂的流行病情景，并考察了流行病学参数估计的目前现状和局限性，结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。

    Jun, 2021

  • 基于数据驱动的 COVID-19 退出策略仿真与优化

    在这篇文章中，我们提出了一种基于深度学习估计疫情参数的流行病学参数预测工具包，结合遗传算法组件搜索决策制定者设定的约束和目标的最优权衡 / 政策来预测病例和死亡，并且实验结果表明我们的方法比 75% 的传统基于规则的流行病学模型预测出错率更低，在学习转移和未见过的国家测试的情况下实现了 95% 的 R2 得分。

    Jun, 2020

  • 新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

    本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

    Apr, 2020

  • COVID-19 预测的跨时间序列关注模型

    本文旨在探讨是否可以用直接的数据驱动方法有效地预测 COVID-19 病例数量，利用新型机器学习方法 Attention Crossing Time Series（ACTS）成功地在预测新冠病毒感染病例中胜出 18 项测试中的 13 项，表现出比传统的基于隔离 (如 SIR 和 SEIR) 的传染病传播模型更为优异的结果。

    Oct, 2020

  • 一种考虑未检出感染者的 COVID-19 时变 SIR 模型

    本文使用时间可变的易感 - 感染 - 恢复（SIR）模型回答了 COVID-19 相关问题，包括如何抑制疫情、疫情高峰和结束的时间、无症状感染者对疾病传播的影响、实现群体免疫所需感染者数量、社交隔离的有效性、长期感染者比例以及研究独立级联模型与 SIR 模型之间关系。

    Feb, 2020

  • 多层次区域 COVID-19 动态流行病学建模与预测

    该论文提出了一种结合流行病学方程和深度学习的方法来模拟 COVID-19 疾病传播情况，结果表明，这种方法在五个国家和地区具有良好的预测能力和可视化表现。

    Jun, 2023

  • 利用潜在亚群建模和预测 COVID-19 病例

    该研究提出了两种新的模型方法来预测 COVID-19 感染人数，分别为基于字典的方法和可拟合曲线的混合方法，通过子人群的线性组合进行建模，对 187 个国家的数据进行了实证研究，发现该字典方法在预测中表现最优。

    Feb, 2023