何时以及如何解除封锁？基于区室化高斯过程的全球 COVID-19 情景分析与政策评估
应用统计
2020-06-04 v2 机器学习
物理与社会
摘要
2019 冠状病毒病（COVID-19）全球大流行已导致许多国家实施前所未有的封锁措施以减缓疫情暴发。此后，各国政府是否行动足够迅速、封锁措施能否很快解除等问题一直成为公共讨论的核心。在不同封锁政策情景下预测 COVID-19 死亡人数的数据驱动模型，对于解决这些问题并为政府未来政策方向提供信息至关重要。为此，本文开发了一个贝叶斯模型，用于在全球背景下预测 COVID-19 封锁政策的效果——我们将每个国家视为一个独立的数据点，并利用各国政策差异来学习特定国家的政策效应。我们的模型采用双层高斯过程（GP）先验：下层使用区室化 SEIR（易感、暴露、感染、康复）模型作为先验均值函数，其带有“国家与政策特定”参数，用以捕捉各国在“反事实”政策下的死亡曲线；上层在所有国家间共享，并将下层 SEIR 参数学习为该国特征及其政策指标的函数。我们的模型结合了 SEIR 模型（贝叶斯先验）坚实的机制基础与机器学习（贝叶斯后验）灵活的数据驱动建模及基于梯度的优化流程——即整个模型通过随机变分推断进行端到端训练。我们将本模型对 COVID-19 死亡人数的预测与美国疾病控制中心（CDC）所列其他模型进行比较，并对各种封锁与重启策略进行情景分析，凸显其对 COVID-19 死亡人数的影响。
引用
@article{arxiv.2005.08837,
title = {When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes},
author = {Zhaozhi Qian and Ahmed M. Alaa and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2005.08837},
year = {2020}
}