一种用于 COVID-19 预警系统的基于期望的网络扫描统计量
机器学习
2020-12-15 v1 物理与社会
应用统计
摘要
大伦敦当局（GLA）应对 COVID-19 疫情的一项举措是整合多个大规模异构数据集，捕捉伦敦市的流动性、交通与运输活动，以更好地理解“繁忙度”并实现针对性干预与有效决策。作为奥德修斯项目（Project Odysseus）的一部分，我们描述了一种预警系统，并引入一种基于期望的网络扫描统计量，以帮助 GLA 和伦敦交通局了解民众遵守政府 COVID-19 指南的程度。我们明确处理位于（道路）网络上的地理固定时间序列数据，并主要关注监测首都大片区域的动态。此外，我们也聚焦于显著时空区域的检测与报告。我们的方法通过使其基于期望（EBP）并采用随机过程进行时间序列预测，扩展了基于网络的扫描统计量（NBSS），从而使我们能够在 EBP 和 NBSS 框架中量化度量不确定性。我们引入了 EBP 模型中所用度量的一种变体，其侧重于识别活动低于预期的空间-时间区域。
引用
@article{arxiv.2012.07574,
title = {An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System},
author = {Chance Haycock and Edward Thorpe-Woods and James Walsh and Patrick O'Hara and Oscar Giles and Neil Dhir and Theodoros Damoulas},
journal= {arXiv preprint arXiv:2012.07574},
year = {2020}
}