使用透明、可解释、简约且可模拟（TIPS）的机器学习模型建模 COVID-19 大流行动态：来自系统思维与系统辨识视角的案例研究
机器学习
2021-11-03 v1 社会与信息网络
摘要
自 COVID-19 暴发以来，文献中出现了数量惊人的关于大流行动态的出版物，其中许多使用易感-感染-移除（SIR）和易感-暴露-感染-移除（SEIR）模型或其变体来模拟和研究冠状病毒的传播。SIR 和 SEIR 是连续时间模型，属于常微分方程（ODE）初值问题（IVP）的一类。离散时间模型（如回归和机器学习）也被用于分析 COVID-19 大流行数据（例如预测感染病例），但这些方法大多使用基于先验知识预选少量输入变量的简化模型，或使用非常复杂的模型（如深度学习），纯粹聚焦于某些预测目的，很少关注模型的可解释性。相对而言，较少有研究聚焦于探讨内在的时间滞后或时间延迟关系（例如再生数（R 数）、感染病例和死亡人数之间的关系），从系统思维和动态视角分析大流行的传播。本研究首次提出使用系统工程和系统辨识方法构建透明、可解释、简约且可模拟（TIPS）的动态机器学习模型，建立 COVID-19 引起的 R 数、感染病例和死亡人数之间的联系。TIPS 模型基于著名的 NARMAX（带外生输入的非线性自回归滑动平均）模型开发，有助于更好地理解 COVID-19 大流行动态。本文对英国 COVID-19 数据进行了案例研究，并详细阐述了新的发现。所提出的方法及相关新发现有助于更好地理解 COVID-19 大流行的传播动态。
引用
@article{arxiv.2111.01763,
title = {Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable, Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study from Systems Thinking and System Identification Perspectives},
author = {Hua-Liang Wei and S. A. Billings},
journal= {arXiv preprint arXiv:2111.01763},
year = {2021}
}
备注
14 pages, 4 figures, 2 tables