基于深度学习的最优航空策略以控制大流行
机器学习
2022-10-21 v1 人工智能
种群与进化
摘要
COVID-19 大流行已影响全球各国，亟需严厉的公共卫生政策以减缓感染传播，并作为附带损害引发了经济危机。在这项工作中，我们研究了人类流动性（通过国际商业航班描述）在全球尺度上对 COVID-19 感染动态的影响。为此，我们开发了一个基于图神经网络的框架，称为动态连接图 GraphSAGE（DCSAGE），该框架在时空图上运行，非常适用于动态变化的邻接信息。为了洞察不同地理位置因其相关空中交通对大流行演变的相对影响，我们通过节点扰动实验对模型进行了局部敏感性分析。从我们的分析中，我们确定西欧、北美和中东是助长大流行的主要地理位置，这归因于源自或途经这些地区的庞大空中交通。我们利用这些观察结果确定了切实的空中交通削减策略，这些策略可在对人类流动性干扰最小的情况下对控制大流行产生重大影响。我们的工作提供了一个基于深度学习的稳健工具来研究全球大流行，并对决策者在未来疫情爆发期间就空中交通限制做出明智决策具有关键意义。
引用
@article{arxiv.2210.10888,
title = {Deep Learning-Derived Optimal Aviation Strategies to Control Pandemics},
author = {Syed Rizvi and Akash Awasthi and Maria J. Peláez and Zhihui Wang and Vittorio Cristini and Hien Van Nguyen and Prashant Dogra},
journal= {arXiv preprint arXiv:2210.10888},
year = {2022}
}
备注
32 pages, 6 figures (with additional 9 supplementary figures)