用混合模型统一流行病模型
机器学习
2022-01-14 v1 机器学习
应用统计
摘要
COVID-19 大流行凸显了对流行病模型稳健理解的必要性。当前的流行病模型被分为机制性与非机制性两类：机制性模型对疾病动力学做出明确假设，而非机制性模型对观测时间序列的形式做出假设。在此，我们引入一种简单的基于混合的模型，它桥接了这两种方法，同时保留了二者的优点。该模型将病例与死亡人数的时间序列表示为高斯曲线的混合，与传统机制性模型相比，提供了一类可从数据中学习的灵活函数。尽管该模型是非机制性的，我们证明其作为基于网络化 SIR 框架的随机过程的自然结果而出现。这使得学习到的参数相比类似的非机制性模型具有更有意义的解释，并且我们利用 COVID-19 大流行期间收集的辅助流动性数据验证了这些解释。我们提供了一种简单的学习算法来识别模型参数，并建立了理论结果，表明该模型可高效地从数据中学习。在实证中，我们发现该模型具有较低的预测误差。该模型可在 covidpredictions.mit.edu 实时访问。最终，这使我们能够系统性地理解干预措施对 COVID-19 的影响，这对于开发数据驱动的流行病控制方案至关重要。
引用
@article{arxiv.2201.04960,
title = {Unifying Epidemic Models with Mixtures},
author = {Arnab Sarker and Ali Jadbabaie and Devavrat Shah},
journal= {arXiv preprint arXiv:2201.04960},
year = {2022}
}