COVID-19 的监测与预测：统计启发式回归、易感-感染-移除模型与空间随机方法
种群与进化
2021-06-04 v2
摘要
COVID-19 大流行对人类生命造成了全球性的破坏性影响，凸显了预测其发展所需工具的重要性。此类公共卫生威胁的动态常可通过简单模型高效分析，从而辅助及时的量化政策决策。我们以基于对数正态分布的简单最小二乘统计启发式回归(SHR)耦合一个最小化的传染病易感-感染-移除(SIR)模型作为基准。我们在若干情形下推导了两种模型的三个自由参数，并针对预测所需数据量进行了测试。SHR 模型在每日病例曲线的第二个拐点之后约 20 天时精度约为 ±2%，而 SIR 模型在约两周前达到类似精度。所有分析案例均证实了 SHR 与 SIR 近似方法作为预测疾病演变有用工具的效用。最后，我们研究了模拟的基于个体的随机 SIR 动力学，其给出了 SIR 或 SHR 方法无法给出的疾病详细空间与时间视图。
引用
@article{arxiv.2101.11444,
title = {Monitoring and Forecasting COVID-19: Statistical Heuristic Regression, Susceptible-Infected-Removed model and, Spatial Stochastics},
author = {Pedro L. de Andres and Lucia de Andres-Bragado and Linard D. Hoessly},
journal= {arXiv preprint arXiv:2101.11444},
year = {2021}
}
备注
33 pages, 14 figures, 3 tables