通过深度学习与网络科学模型评估城市封锁对控制 COVID-19 传播的影响
种群与进化
2020-09-07 v1 物理与社会
定量方法
应用统计
摘要
COVID-19 的特殊认知特征，如长潜伏期和通过无症状病例感染，对其暴发的遏制提出了严峻挑战。到 2020 年 3 月底，中国以封锁包括震中武汉在内的大部分主要城市的高昂代价成功控制了 COVID-19 的域内传播。由于 2020 年 2 月中旬之前暴发数据的低准确性，对那些基于早期暴发统计推断的研究构成了主要技术关切。我们应用监督学习技术识别并训练 NP-Net-SIR 模型，该模型在较差数据质量条件下表现稳健。通过训练得到的模型参数，我们分析人口流动与跨区感染连接强度之间的联系，并基于此开展一组反事实分析以研究封锁的必要性及封锁与其他遏制措施之间的可替代性。我们的发现支持存在非封锁型措施可达到与封锁相同的遏制效果，并为设计更灵活的遏制策略提供有用指导。
引用
@article{arxiv.2009.02152,
title = {Evaluating the effect of city lock-down on controlling COVID-19 propagation through deep learning and network science models},
author = {Xiaoqi Zhang and Zheng Ji and Yanqiao Zheng and Xinyue Ye and Dong Li},
journal= {arXiv preprint arXiv:2009.02152},
year = {2020}
}
备注
27 pages, 9 figures