COVID-19 模型时变参数的辨识与预测：一种数据驱动深度学习方法
动力系统
2021-03-19 v1
摘要
数据驱动深度学习为流行病学模型参数辨识提供了高效算法。与常值参数不同，辨识时变参数的复杂性大幅增加。本文采用一种物理信息神经网络（PINN）的变体，通过拟合每日报告病例来辨识 COVID-19 传播的易感-感染-恢复-死亡（Susceptible-Infectious-Recovered-Deceased）模型的时变参数。利用常微分方程求解器计算该仓室模型的相应解，对所学参数进行验证。基于这些参数计算了有效再生数。采用长短期记忆（LSTM）神经网络预测未来的每周时变参数。数值模拟表明，PINN 与 LSTM 结合可产生准确而有效的结果。
引用
@article{arxiv.2103.09949,
title = {Identification and prediction of time-varying parameters of COVID-19 model: a data-driven deep learning approach},
author = {Jie Long and Abdul Khaliq and Khaled Furati},
journal= {arXiv preprint arXiv:2103.09949},
year = {2021}
}