用于 COVID-19 预测的贝叶斯序贯数据同化方法
应用统计
2021-03-11 v1 种群与进化
摘要
我们提出了一种用于 COVID-19 预测的贝叶斯序贯数据同化方法。假设已有合适且经过验证的传播模型、流行病模型和观测模型，且传播与流行病模型已被编码为一个动力系统。观测模型依赖于该动力系统的状态变量与参数，并被表示为似然函数。我们推导出有效人口规模、动力系统初值条件以及传染接触率的先验分布，并利用马尔可夫链蒙特卡罗采样在疫情暴发初期对感兴趣量（QoI）进行推断与预测。随着新数据的出现，预测在疫情记录的滑动窗口上被序贯更新。新预测时刻状态变量的先验分布由动力系统组装，并对先前的预测进行校准。此外，接触率与有效人口规模的变化通过相应参数上的自回归模型自然引入。我们使用一个 SEIR 型模型以及来自墨西哥多个地区的 COVID-19 数据展示了该预测方法的性能。
引用
@article{arxiv.2103.06152,
title = {Bayesian sequential data assimilation for COVID-19 forecasting},
author = {Maria L. Daza-Torres and Marcos A. Capistrán and Antonio Capella and J. Andrés Christen},
journal= {arXiv preprint arXiv:2103.06152},
year = {2021}
}
备注
22 pages, 19 figures