基于循环神经网络与微分方程的时空传染病模型及其在 COVID-19 中的应用
种群与进化
2020-09-18 v2 机器学习
应用统计
机器学习
摘要
2019 冠状病毒病（COVID-19）的暴发对世界造成了重大影响。对感染趋势建模并实时预测病例数有助于决策制定和疾病传播的控制。然而，由于时间上每日样本有限，循环神经网络（RNN）等数据驱动方法可能表现不佳。在这项工作中，我们开发了基于传染病微分方程（SIR）和 RNN 的集成时空模型。前者经简化和离散化后是一个区域感染时间趋势的紧凑模型，而后者对最近邻区域的影响进行建模。后者捕捉潜在的时空信息。我们在意大利的 COVID-19 数据上训练和测试了我们的模型，并表明在 1 天、3 天和 1 周前的预测中，尤其在训练数据有限的情形下，它优于现有的时间模型（全连接神经网络、SIR、ARIMA）。
引用
@article{arxiv.2007.10929,
title = {A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19},
author = {Zhijian Li and Yunling Zheng and Jack Xin and Guofa Zhou},
journal= {arXiv preprint arXiv:2007.10929},
year = {2020}
}