用于新冠退出策略的数据驱动仿真与优化
计算机与社会
2020-06-15 v1 物理与社会
种群与进化
摘要
冠状病毒SARS-2的快速传播是一项重大挑战，导致全球几乎所有政府采取严厉措施应对这场悲剧。其中首要措施是对整个国家和城市进行大规模封锁，这除了造成全球经济影响外，还在人群中引发了深层的社会与心理紧张。尽管所采用的缓解措施（包括封锁）总体被证明有效，政策制定者正面临一个关键问题：如何以及何时解除缓解措施？确实需要一个精心规划的退出策略，以从大流行中恢复而不冒新暴发的风险。经典上，退出策略依赖数学建模来预测公共卫生干预的效果。遗憾的是，此类模型已知对某些关键参数敏感，而这些参数通常基于经验法则设定。本文中，我们提议用实际数据驱动模型来增强流行病学预测，这些模型将学习为不同背景（如按国家）微调预测。因此我们构建了一个大流行仿真与预测工具包，它结合了用于预测病例与死亡的疾病流行病学参数的深度学习估计，以及一个在决策者设定的约束与目标间搜索最优权衡/策略的遗传算法组件。通过在多国重放大流行演进，我们实验表明该方法在75%的情况下比纯流行病学模型产生低得多的误差率，并且当学习迁移并测试于未见过国家时达到95%的R2分数。当用于预测时，该方法为个体措施与策略的影响提供了可操作的洞察。
引用
@article{arxiv.2006.07087,
title = {Data-driven Simulation and Optimization for Covid-19 Exit Strategies},
author = {Salah Ghamizi and Renaud Rwemalika and Lisa Veiber and Maxime Cordy and Tegawende F. Bissyande and Mike Papadakis and Jacques Klein and Yves Le Traon},
journal= {arXiv preprint arXiv:2006.07087},
year = {2020}
}