一种用于预测罗马尼亚 COVID-19 演变的自监督神经-解析方法
种群与进化
2025-07-28 v3 机器学习
摘要
分析和理解 COVID-19 大流行的传播与演变，对于设计最佳社会与医疗政策、预见其结果并应对所有后续社会经济影响是必需的。我们从计算与机器学习的视角解决这一重要问题。更具体地，我们希望基于罗马尼亚患者统计估计新型冠状病毒 COVID-19 的所有相关参数，如再生数、病死率或传染期长度，并能够预测未来结果。这一努力十分重要，因为众所周知这些因素在全球范围内各异，并可能依赖于诸多原因，包括社会、医疗、年龄与遗传因素。我们使用最近发表的改进版 SEIR，即经典的、成熟的传染病模型。我们希望基于唯一可靠、真实的测量值——死亡人数，推断支配罗马尼亚大流行演变的模型所有参数。一旦估计出模型参数，我们便能预测所有其他相关度量，如暴露与感染人数。为此，我们提出一种自监督方法来训练深度卷积网络，以在给定观测到的每日死亡人数的情况下猜测正确的改进 SEIR 模型参数集。随后，我们用随机坐标下降方法精炼解。我们将我们的深度学习优化方案与经典网格搜索方法比较，并显示在计算时间与预测精度上的大幅改进。我们发现罗马尼亚的病死率乐观结果约为 0.3%，并且我们证明我们的模型能够正确预测未来长达三周的每日死亡人数。
引用
@article{arxiv.2006.12926,
title = {A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania},
author = {Radu D. Stochiţoiu and Marian Petrica and Traian Rebedea and Ionel Popescu and Marius Leordeanu},
journal= {arXiv preprint arXiv:2006.12926},
year = {2025}
}