在 COVID-19 活动相关性网络中检测全局社区结构
摘要
过去 2.5 年中的全球 COVID-19 大流行产生了海量流行病学/公共卫生数据集，这些数据集也可能有助于研究我们全球互联世界的底层结构。在此，我们使用约翰斯·霍普金斯大学 COVID-19 数据集构建了国家/地区的相关性网络，并研究了其全局社区结构。具体而言，我们从数据集中筛选出累计阳性病例至少 100,000 的国家/地区，并为每个国家/地区生成所报告新增阳性病例的 7 天移动平均时间序列。随后，我们通过取新增阳性病例数对数的逐日差分，计算出每日变化指数的时间序列。我们以每日变化指数时间序列中具有正相关的国家/地区相连构建相关性网络，并使用其 Pearson 相关系数作为边权。应用模块度最大化方法揭示出三个主要社区：(1) 主要为欧洲 + 北美 + 东南亚，在大流行期间呈现出相似六峰模式；(2) 主要为近东/中东 + 中亚/南亚 + 中/南美洲，松散跟随社区 1，但因 Delta 变异株出现活动显著上升，随后受 Omicron 变异株显著影响；(3) 主要为非洲 + 加拿大中/东部 + 澳大利亚，在 Omicron 变异株引发巨大峰值前活动较少。这三种社区在不同参数设置下均被稳健检出。通过使用这三个社区的 median 曲线作为 x-y-z 坐标构建三维“相空间”，生成了全球大流行演进过程的有效概括轨迹。
引用
@article{arxiv.2206.03181,
title = {Detecting Global Community Structure in a COVID-19 Activity Correlation Network},
author = {Hiroki Sayama},
journal= {arXiv preprint arXiv:2206.03181},
year = {2022}
}
备注
11 pages, 4 figures, 1 table; accepted for publication in Complex Networks & Their Applications XI: Proceedings of The Eleventh International Conference on Complex Networks and their Applications: COMPLEX NETWORKS 2022 - Volume 1 (Hocine Cherifi, Rosario Nunzio Mantegna, Luis M. Rocha, Chantal Cherifi, Salvatore Micciche, eds.)