使用集成神经网络识别修正 SIRD 流行病模型参数的反问题

在本文中，我们提出了一种 SIRD 模型的参数识别方法，该模型是经典 SIR 模型的扩展，将死亡者视为一个单独的类别。此外，我们的模型包含一个参数，即真实感染总数与官方统计中记录的感染数量之间的比率。由于许多因素，如政府决策、多种变异毒株的传播、学校的开放和关闭，模型参数在长时间内保持不变的典型假设是不现实的。因此，我们的目标是创建一种适用于短周期的方法。在此范围内，我们基于前7天的数据进行估计，然后使用识别出的参数进行预测。为了执行参数估计，我们提出使用神经网络集成的平均值。每个神经网络都是基于一个通过求解具有随机参数的 SIRD 模型7天而构建的数据库来构建的。通过这种方式，网络从 SIRD 模型的解中学习参数。最后，我们使用该集成从罗马尼亚 Covid-19 的真实数据中获取参数估计值，然后我们展示了不同时间段（从10天到45天）的死亡人数预测。主要目标是将此方法应用于分析 COVID-19 在罗马尼亚的演变，但这也以类似的结果在匈牙利、捷克共和国和波兰等其他国家的数据上得到了例证。这些结果由一个定理支持，该定理保证我们可以从报告的数据中恢复模型的参数。我们相信这种方法可以作为一种通用工具，用于处理传染病的短期预测或其他仓室模型。