SIRNet：用混合神经网络模型理解COVID-19传染扩散中的社交距离措施
种群与进化
2020-04-23 v1
摘要
SARS-CoV-2传染病暴发已迅速蔓延全球，并促使各地出台不同政策以实施物理距离管控来减轻其影响。本研究提出一种新型混合机器学习模型SIRNet，用于预测COVID-19大流行的传播，该模型与流行病学模型相耦合。我们使用分类的时空显式手机移动数据作为物理距离的替代标记，并结合人口加权密度及其他局部数据点。我们在不同地理粒度上表明，政策领导者当前讨论的一系列物理距离选项在流行病学后果上存在显著差异，从病毒灭绝到近全人群流行不等。当前的移动性拐点因地理区域而异。SIRNet的实验结果确立了此类局部移动性渐近诱导遏制的初步边界。该模型可支持研究非药物干预及在较长时间内最小化社会附带损害的方法与控制机制。
引用
@article{arxiv.2004.10376,
title = {SIRNet: Understanding Social Distancing Measures with Hybrid Neural Network Model for COVID-19 Infectious Spread},
author = {Nicholas Soures and David Chambers and Zachariah Carmichael and Anurag Daram and Dimpy P. Shah and Kal Clark and Lloyd Potter and Dhireesha Kudithipudi},
journal= {arXiv preprint arXiv:2004.10376},
year = {2020}
}