面向 COVID-19 疫情的物理学信息机器学习：社交距离遵守度与八国短期预测
种群与进化
2020-08-20 v1 机器学习
生物物理
物理与社会
摘要
2020 年上半年初期阶段 COVID-19 的蔓延通过大多数国家实施的社交距离措施在不同程度上得到了遏制。在本工作中，我们通过机器学习技术将国家层面的感染数据直接与一个表示社交距离有效性的单一数值相关联。我们假设标准 SIR 模型对传播动态给出了合理描述，因此社交距离方面可通过外部施加的时变感染率来建模。我们使用指数试探法分析 SIR 模型，找到时不变感染率的精确解，并推导出时变感染率作为感染人口函数的简单一阶微分方程。利用八个国家感染“第一波”的感染人数数据，并通过物理学信息机器学习，我们提取了导致特定感染的社交距离中的线性依赖程度。我们发现两个极端分别是希腊（一侧具有最高衰减斜率）和美国（另一侧几乎是平坦的“衰减”）。斜率的层级结构与各国疫情遏制的有效性相吻合。最后，我们用分析期结束后的数据训练我们的网络，并对当前感染阶段进行为期一周的预测，结果似乎与 actual 感染值非常接近。
引用
@article{arxiv.2008.08162,
title = {Physics-informed machine learning for the COVID-19 pandemic: Adherence to social distancing and short-term predictions for eight countries},
author = {G. D. Barmparis and G. P. Tsironis},
journal= {arXiv preprint arXiv:2008.08162},
year = {2020}
}