基于高分辨率真实移动数据的精准时空 COVID-19 风险评分
机器学习
2020-12-15 v1 机器学习
摘要
在持续的 COVID-19 大流行中，各国寻求重新开放经济活动的同时，保障公共卫生一直具有挑战性。虽然接触者追踪仅旨在追踪感染用户的过往活动，但安全重新开放的一条路径是开发可靠的时空风险评分以指示疾病倾向。现有旨在开发风险评分的工作要么依赖基于区室模型的再生数（其假设均匀人口混合），要么基于再生数（R0）和宏观层面密度移动的统计开发粗粒度空间评分。相反，在本文中，我们开发了一种基于 Hawkes 过程的技术，通过利用基于手机起源位置信号的高分辨率移动数据来分配相对细粒度的空间和时间风险评分。尽管 COVID-19 风险评分还取决于包括人口统计和既有病史在内的个体特定因素，但该疾病的主要传播模式是通过身体接近与接触。因此，我们专注于基于位置密度和移动行为开发风险评分。我们通过基于真实世界移动数据的仿真展示了所开发风险评分的有效性。我们的结果表明，基于高分辨率移动数据的细粒度时空风险评分可提供有用洞察并促进安全重新开放。
引用
@article{arxiv.2012.07283,
title = {Towards Accurate Spatiotemporal COVID-19 Risk Scores using High Resolution Real-World Mobility Data},
author = {Sirisha Rambhatla and Sepanta Zeighami and Kameron Shahabi and Cyrus Shahabi and Yan Liu},
journal= {arXiv preprint arXiv:2012.07283},
year = {2020}
}