大流行的最优政策：随机博弈方法与深度学习算法
最优化与控制
2021-03-10 v2 机器学习
动力系统
摘要
博弈论一直是控制疾病传播并在个体与区域层面建议最优政策的有效工具。在本文中，我们提出一种基于随机微分博弈论的多区域 SEIR 模型，旨在制定传染病的最优区域政策。具体而言，我们通过考虑多个区域规划者发布的社会与健康政策来增强标准传染病 SEIR 模型。这一增强使模型更真实且更具效力。然而，由于多区域带来的解空间高维性，它也引入了巨大的计算挑战。模型结构的这一显著数值困难促使我们推广 [Han and Hu, MSML2020, pp.221--245, PMLR, 2020] 中引入的深度虚拟算法，并开发一种改进算法以克服维数灾难。我们将所提模型与算法应用于研究纽约、新泽西和宾夕法尼亚三个州的 COVID-19 大流行。模型参数根据美国疾病控制与预防中心（CDC）发布的真实数据估计。我们能够展示封锁/旅行禁令政策对各州 COVID-19 传播的影响，以及它们的政策如何相互影响。
引用
@article{arxiv.2012.06745,
title = {Optimal Policies for a Pandemic: A Stochastic Game Approach and a Deep Learning Algorithm},
author = {Yao Xuan and Robert Balkin and Jiequn Han and Ruimeng Hu and Hector D. Ceniceros},
journal= {arXiv preprint arXiv:2012.06745},
year = {2021}
}