基于图卷积神经网络耦合的 metapopulation SIR 模型：用于美国新冠肺炎传播建模
机器学习
2025-01-07 v1 机器学习
动力系统
种群与进化
摘要
图卷积神经网络（GCN）在近年来显示出在解决数据密集型挑战方面巨大的潜力。特别是，一些尝试通过纳入人类在 metapopulation 之间的数据移动并使用图方法来估计相应的超参数来提高不易感染-感染-康复（SIR）模型的预测。最近的研究发现，一种混合 GCN-SIR 方法在日本以行政区级别数据使用时优于现有方法。在本工作中，我们将该方法扩展到美国大陆数据，调整了不同的 mobility 模式和政策响应。我们还开发了用于实时连续估计再感染数并研究模型预测整体人口以及各个州准确性的策略。讨论了 GCN-SIR 方法的优势与局限性，作为建模疾病动态的潜在候选方法。
引用
@article{arxiv.2501.02043,
title = {Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks},
author = {Petr Kisselev and Padmanabhan Seshaiyer},
journal= {arXiv preprint arXiv:2501.02043},
year = {2025}
}