一种基于物理的数据驱动方法用于疫情增长的有限时间估计
系统与控制
2021-10-25 v1 系统与控制
摘要
COVID-19 是一场全球健康危机，对美国各地家庭造成了前所未有的广泛影响，并于 2020 年 3 月 11 日被世界卫生组织（WHO）[1] 宣布为全球大流行。根据美国疾病控制与预防中心（CDC）[2]，COVID-19 通过人际传播扩散，即通过与感染者密切接触、经携带传染性病毒的污染表面与呼吸道飞沫传播。本文提出一种基于物理的数据驱动方法，用于分析与预测大流行的快速增长与扩散动态。时间与平面守恒律被用于建模 COVID-19 大流行的演化。我们整合二次规划与神经网络来学习参数并估计疫情增长。所提预测模型通过使用 2020 年 3 月 12 日至 2021 年 10 月 1 日[3] 间记录的美国病例、死亡与康复总数进行有限时间估计而得到验证。
引用
@article{arxiv.2110.11903,
title = {A Physics-Based Data-Driven Approach for Finite Time Estimation of Pandemic Growth},
author = {Harshvardhan Uppaluru and Hamid Emadi and Hossein Rastgoftar},
journal= {arXiv preprint arXiv:2110.11903},
year = {2021}
}