基于神经网络的 COVID-19 增长中非药物措施的优化

3月19日，世界卫生组织宣布全球大流行。在此次全球传播中，许多国家经历了确诊人数的指数级增长，并通过严格的群体隔离或封锁措施加以控制。然而，一些国家通过不同的行动时间线避免了这种指数级增长。当前，一些国家仍在应对增长，另一些则试图安全解除限制同时避免反弹。本研究旨在通过一种新颖的软计算方法量化政府行动在缓解 SARS-CoV-2 病毒传播方面的影响，该方法同时利用神经网络模型预测累计感染人数的每日斜率增量，以及带有政府限制时间序列参数化的优化器，以理解最佳缓解行动组合。我们收集了意大利和台湾两个地区的数据，对旅行、检测和社会距离措施执行方面的政府限制以及人员连通性和对政府行动的依从性进行建模。研究发现，更大规模、更早的检测行动配合更严格的入境限制对两个地区均有益，可显著减少确诊病例。有趣的是，该情景与意大利更早但更温和地实施全国限制相耦合，从而支持了台湾未实施全国封锁的做法。这些通过纯数据驱动方法得出的结果，与数学流行病学模型的主要发现一致，证明了所提方法的价值，且数据本身包含可供决策者参考的宝贵知识。