通过DINNs（疾病信息神经网络）预测传染病传播的数据驱动方法
机器学习
2022-08-26 v3 定量方法
摘要
在这项工作中，我们提出一种称为疾病信息神经网络（DINNs）的方法，可用于有效预测传染病的传播。该方法建立在成功的物理信息神经网络方法之上，后者已应用于可由线性和非线性常微分方程与偏微分方程建模的多种问题。具体而言，我们基于PINNs在SIR仓室模型上的应用进行构建，并将其扩展为描述各种传染病的一组分层数学模型的系列。我们展示了神经网络如何能够学习疾病传播方式、预测其进展并找出其独特参数（如死亡率）。为证明DINNs的鲁棒性与有效性，我们将该方法应用于十一种以递增复杂度建模的高传染性传染病。我们的计算实验表明，DINNs是从可用真实世界数据中有效学习传播动态并预测其未来进展的可靠候选方法。
引用
@article{arxiv.2110.05445,
title = {Data-driven approaches for predicting spread of infectious diseases through DINNs: Disease Informed Neural Networks},
author = {Sagi Shaier and Maziar Raissi and Padmanabhan Seshaiyer},
journal= {arXiv preprint arXiv:2110.05445},
year = {2022}
}
备注
Paper accepted. Citation: "Shaier, S., Raissi, M. and Seshaiyer, P., Data-Driven Approaches for Predicting Spread of Infectious Diseases Through DINNs: Disease Informed Neural Networks, Lett. Biomath., Vol. 8, Iss. 1 (2022), pp. 71-105."