基于双向 LSTM 与 GAN 的 COVID-19 大流行建模数字孪生
机器学习
2021-05-10 v2 物理与社会
摘要
2019 冠状病毒病（COVID-19）的暴发现已蔓延全球，感染超过 1.5 亿人并导致超过 320 万人死亡。因此，迫切需要对流行病学模型的动态进行研究，以更好地理解此类疾病如何传播。虽然流行病学模型计算代价可能很高，但机器学习技术的最新进展催生了能够以更低计算成本学习和预测复杂动态的神经网络。在此，我们引入了应用于一个理想化城镇的 SEIRS 模型的两个数字孪生。该 SEIRS 模型经修改以考虑空间变化，且可能时，模型参数基于来自英国的官方病毒传播数据。我们比较了数据校正的双向长短期记忆（Bidirectional Long Short-Term Memory, LSTM）网络与预测式生成对抗网络（Generative Adversarial Network, GAN）的预测结果。与原始 SEIRS 模型数据相比，这两个框架给出的预测是准确的。此外，这些框架与数据无关，可应用于英国或其他国家的城镇（理想的或真实的）。同时，SEIRS 模型中可加入更多隔室，以研究更现实的流行病学行为。
引用
@article{arxiv.2102.02664,
title = {Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic},
author = {César Quilodrán-Casas and Vinicius Santos Silva and Rossella Arcucci and Claire E. Heaney and Yike Guo and Christopher C. Pain},
journal= {arXiv preprint arXiv:2102.02664},
year = {2021}
}
备注
44 pages, 17 figures, 3 tables