MMNov, 2020

机器学习时空流行病学模型评估德国县级 COVID-19 风险

PDF
TL;DR为了实现和评估公共卫生政策，我们利用机器学习技术开发了一个框架，从感染数据中提取流行病动态，其中包含一个结合了空间元胞自动机和时间易感 - 未诊断 - 感染 - 移除模型的县级时空流行病学模型，该模型显示了 CA-SUIR 模型在不同政策下的多级风险和冠状病毒传播模式。通过此研究，我们预测了德国 412 个区县的 COVID-19 流行病学水平，包括 t-day-ahead 风险预测和对旅行限制政策的风险评估。这种可干预的评估系统可以帮助决定经济重启和公共卫生政策制定。
covid-19risk predictionmachine learningepidemic dynamicspublic health policies
发现论文，激发创造
  • 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 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 SIkJ$α$ 模型快速、准确地预测 COVID-19 死亡人数

    本文提出了一种扩展 SIkJα 模型的方法，利用快速线性回归从众多复杂因素中学习少量参数来预测死亡人数以应对 COVID-19 疫情，并将其与 CDC 当前使用的七种方法进行比较，发现我们的方法在大多数评估期内可以达到更好的效果。

    Jul, 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

  • 一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

    该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

    Dec, 2022

  • 通过经典和机器学习模型的集成预测 COVID-19 传播：以西班牙为案例研究

    本研究使用一组群体模型和机器学习模型来预测 COVID-19 疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整 Gompertz、Logistic、Richards 和 Bertalanffy 等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。

    Jul, 2022

  • 使用时空图神经网络检查 COVID-19 预测

    本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

    Jul, 2020

  • 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

  • 基于序列到序列模型与注意力机制的县区级 COVID-19 可解释化旅行距离

    本研究分析了美国各县不同距离旅行人数对 COVID-19 疫情传播的影响，并利用注意力模块改进测序模型预测性能。结果表明存在不同类别旅行距离的空间模式，给予权重后减少对应类别的旅行者可有效控制疫情传播。

    May, 2022

  • 流行病预测的神经参数校准与不确定性量化

    我们应用了一种新颖而强大的计算方法来学习传染参数的概率密度并提供流行病预测的不确定性量化，通过神经网络将 ODE 模型与 2020 年柏林 COVID-19 传播数据进行了校准，实现了比基于马尔科夫链蒙特卡洛 (MCMC) 的采样方案更准确的校准和预测，我们的预测不确定性提供了有意义的置信区间，例如感染人数和住院率，而训练和运行神经网络方案只需要几分钟，而 MCMC 需要几个小时。我们展示了我们的方法在简化的 SIR 传染病模型上收敛到真实后验，同时展示了我们的方法在一个仅有少量可用数据的小型组分中学习复杂模型的能力。

    Dec, 2023