使用强化学习优化用于疫情控制的封锁政策
物理与社会
2020-05-04 v2 人工智能
机器学习
种群与进化
机器学习
摘要
在持续的 Covid-19 疫情背景下，已有若干报告和研究试图对该疾病的传播进行建模和预测。关于限制健康和经济损害的政策也存在激烈争论。一方面，人群的健康与安全是大多数国家的首要考量。另一方面，我们不能忽视由严格的全国性封锁可能造成的长期经济损害。在本文中，我们提出了一种为单个城市或地区计算封锁决策的定量方法，同时平衡了健康与经济考量。此外，这些政策由所提出的算法自动学习，作为疾病参数（传染性、潜伏期、症状持续时间、死亡概率）和人群特征（密度、流动倾向）的函数。我们考虑了诸如不完美封锁等现实因素，并表明使用强化学习获得的政策是一种可行的封锁定量方法。
引用
@article{arxiv.2003.14093,
title = {Optimising Lockdown Policies for Epidemic Control using Reinforcement Learning},
author = {Harshad Khadilkar and Tanuja Ganu and Deva P Seetharam},
journal= {arXiv preprint arXiv:2003.14093},
year = {2020}
}