多层次区域COVID-19动态流行病学建模与预测
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
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
本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势,并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据,最终确定了主导的人口统计因素。
Aug, 2020
本研究提出了一种基于自动微分的物理模型学习方法AutoODE,该方法能够有效解决在COVID-19等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题,实验结果表明,AutoODE相比于基于深度学习的竞争对手,能够将预测误差减少57.4%。
Nov, 2020
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。
Nov, 2020
本文介绍了一种基于深度学习的黑盒知识蒸馏方法,用于对疾病传播进行准确和高效的预测,通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例,具有较低的计算成本。
Jan, 2021
通过使用 Deep Transformer 模型,利用深度学习预测 COVID-19 在印度尼西亚的传播率,模型使用 Pre-Layer Normalization 和 Adamax 优化器训练的结果表现最佳。
Jul, 2022
利用 Covid-19 的数据集,使用预测性分析来评估更复杂的预测模型的效能潜力,包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果,它与 Exponential Smoothing、机器学习模型和LSTM等进行了比较,并且LSTM表现出了最佳的效果。该研究对美国和俄罗斯进行了评估,并使用 MAPE 指标进行评估。
Jul, 2022
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
使用普适微分方程(UDE)结合SIR(Susceptible-Infectious-Recovered)模型,以捕捉邻近地区的影响并提高模型对COVID-19疫情的预测,研究比较了基于模拟爆发的COVID-19的SIR+UDE模型与单地区SIR模型和全数据驱动模型(只由深度神经网络组成)的性能,结果显示UDE+SIR模型能更准确地捕捉爆发动态,但在爆发的最后阶段性能下降。
Oct, 2023