全球 Covid-19 传播的神经网络辅助隔离控制模型估计

自 2019 年 12 月 31 日在中国湖北省武汉首次记录到我们现在所称的 Covid-19 感染以来，该疾病已在全球蔓延，并遇到了各种各样的社交距离和隔离政策。由于个体的旅行、故意或无意地违反政策，以及在自身未被检测到的情况下感染他人，这些应对措施的有效性难以量化是众所周知的。在本文中，我们尝试使用混合的第一性原理流行病学方程和数据驱动的神经网络模型，对公开可用的数据进行解释和推断。利用我们的神经网络增强模型，我们将分析重点放在四个地区：武汉、意大利、韩国和美国，并比较了各国在控制病毒有效再生数 $R_{t}$ 方面所发挥的隔离和隔离措施的作用。我们的结果明确表明，实施了快速政府干预以及严格的公共卫生隔离和隔离措施的国家，成功阻止了感染的传播并防止其呈指数级爆发。我们通过匹配 2020 年 3 月 3 日至 4 月 1 日期间武汉的预测，以及 2020 年 3 月 25 日至 4 月 1 日期间意大利和韩国的预测，来测试我们模型的预测能力。就美国而言，我们的模型很好地捕捉了当前的感染曲线增长，并预测到 2020 年 4 月 20 日感染传播将停止。我们进一步证明，现在放松或逆转隔离措施将导致感染病例数呈指数级爆发，从而使自 2020 年 3 月中旬以来在美国实施的所有措施所发挥的作用化为乌有。