基于数据同化的新冠肺炎流行病学建模方法
应用统计
2020-10-30 v3 机器学习
统计方法学
机器学习
摘要
2019-nCov 全球大流行需要评估政策干预措施，以缓解全球范围内隔离措施带来的未来社会与经济成本。我们提出了一种用于预测和政策评估的流行病学模型，该模型通过变分数据同化实时纳入新数据。我们分析并讨论了中国、美国和意大利的感染率。特别地，我们开发了一种定制的 compartmental SIR 模型，拟合中国城市中与疫情相关的变量，命名为 SITR 模型。我们比较并讨论了随着新观测数据可用而进行更新的模型结果。采用混合数据同化方法使结果对初始条件具有鲁棒性。我们利用该模型对感染人数以及诸如疾病传播率或恢复率等参数进行推断。该模型的参数化简洁且可扩展，允许纳入额外的数据和感兴趣的参数。这使得模型具有可扩展性，并可推广到其他地区或适应新的数据源。
引用
@article{arxiv.2004.12130,
title = {An Epidemiological Modelling Approach for Covid19 via Data Assimilation},
author = {Philip Nadler and Shuo Wang and Rossella Arcucci and Xian Yang and Yike Guo},
journal= {arXiv preprint arXiv:2004.12130},
year = {2020}
}
备注
Initial conference version accepted at International Conference of Machine Learning(ICML) workshop. Extended journal version was published in the European Journal of Epidemiology (https://doi.org/10.1007/s10654-020-00676-7). Please cite as accordingly