COVID-19的房室模型及基于政策干预的管控
机器学习
2022-03-08 v1 机器学习
种群与进化
摘要
我们展示了一种使用概率编程语言 (PPLs) 工具包来复现并预测SARS-CoV-2 (COVID-19) 大流行传播的方法。我们的目标是研究各种建模假设的影响，并为限制传染病传播所实施的政策干预提供动机。利用现有的房室模型，我们展示了如何使用PPLs中的推断来获得疾病参数的后验估计。我们改进了流行的现有模型以反映实际考量，例如COVID-19真实病例数的漏报，并论证了对真实世界数据建模政策干预的必要性。我们设计了一个SEI3RD模型作为可复用模板，并展示了其相对于其他模型的灵活性。我们还提供了一种贪心算法，可在给定约束下选择可能控制感染人群的最优政策干预序列。我们在一个简单、模块化且可复现的框架内工作，以实现对概率推断前沿技术的即时跨域访问，并侧重于政策干预。我们不是流行病学家；本研究的唯一目的是作为方法阐述，而非直接推断COVID-19政策制定的现实影响。
引用
@article{arxiv.2203.02860,
title = {Compartmental Models for COVID-19 and Control via Policy Interventions},
author = {Swapneel Mehta and Noah Kasmanoff},
journal= {arXiv preprint arXiv:2203.02860},
year = {2022}
}