Jun, 2020

基于数据驱动的 COVID-19 退出策略仿真与优化

PDF
TL;DR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。
coronaviruslockdownmitigation measuresexit strategiesforecasting
发现论文，激发创造
  • 通过强化学习对流行病控制政策的建模与优化

    通过使用多目标强化学习和流行病学模型，研究提供了一种优化决策的方法来同时减少经济影响和感染率的多种大流行病场景。

    Jan, 2024

  • COVID-19 缓解政策优化的强化学习

    本研究使用强化学习和基于代理的模拟器，探讨如何优化减轻 COVID-19 冲击的策略，以最小化其对经济的影响，同时避免超过医院的收治能力。该研究结果验证了其用于仿真传染病传播的精细程度以及强化学习方法在实际中的表现。

    Oct, 2020

  • 疫情控制的最优封锁策略

    本文介绍了一种通过非一致性锁定的最优控制方法进行疫情控制的数学框架，该框架允许我们有效计算一般传染病传播模型的最佳稳定锁定策略，包括 SIS/SIR/SEIR 模型和 COVID-19 传播的新模型，并演示了该框架的实际应用。

    Oct, 2020

  • SIR-RL：新兴市场和发展中经济体流行病爆发的优化政策控制强化学习

    本研究介绍了一种创新和伦理的策略来在传染病爆发期间平衡公共卫生和经济稳定，通过引入一种新型强化学习框架，该框架利用 SIR 模型，整合了封锁措施（通过严格指数）和疫苗接种策略来模拟疾病动态。

    Apr, 2024

  • 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 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

  • 基于数据同化的新型冠状病毒疫情流行病学建模方法

    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。

    Apr, 2020

  • 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

  • 使用深度确定性策略梯度的大规模基于代理的流行病学模型的流行病控制

    本研究基于深度确定性策略梯度（DDPG）框架，使用大规模（100,000 个个体）的流行病学代理模拟，进行多目标优化，确定了最佳的封锁和疫苗接种策略，以在经济活动的基础模拟中实现最优经济和平衡健康目标。

    Apr, 2023

  • 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