基于深度神经网络且具有异质传播率的多变异株 COVID-19 模型
种群与进化
2022-05-17 v1 机器学习
摘要
自2021年以来，美国多个州已报告了发生突变的 COVID-19 变异株。在抗击 COVID-19 的过程中，研究在药物与非药物缓解措施下各变异株随时间变化的传播率的异质性已变得至关重要。我们建立了一个易感-暴露-感染-恢复（Susceptible-Exposed-Infected-Recovered）数学模型，以凸显 B.1.617.2 delta 变异株与原始 SARS-CoV-2 在传播上的差异。文中讨论了该模型适定性方面的理论结果。我们利用深度神经网络并开发了一种深度学习算法，以学习各变异株随时间变化的异质传播率。通过使用美国佛罗里达州、阿拉巴马州、田纳西州和密苏里州 COVID-19 变异株数据驱动模拟中的误差度量，展示了该算法对于模型的准确性。利用长短期记忆神经网络和自适应神经模糊推理系统展示了每日病例的短期预测。
引用
@article{arxiv.2205.06834,
title = {Multi-variant COVID-19 model with heterogeneous transmission rates using deep neural networks},
author = {K. D. Olumoyin and A. Q. M. Khaliq and K. M. Furati},
journal= {arXiv preprint arXiv:2205.06834},
year = {2022}
}