Predicting the speed of epidemics spreading on networks
全球运输和通信网络现在使信息、思想和传染病能够以远远超过历史上可能的速度传播。为了有效地监测、设计或干预这种类似传染病的过程，需要预测特定网络中特定传染病的速度，并区分在爆发期间迟早更有可能被感染的节点。在这里，我们使用消息传递方法来研究这些量，以获得简单有效的预测，这些预测在各种真实网络上的流行病模拟中得到了验证，并具有良好的一致性。除了对不同节点的个性化预测外，我们还发现，随着传染病的发展，整体突然从低密度过渡到几乎完全的网络饱和。我们的理论是在树状网络上的简单传染中发展和解释的，但我们也能够展示该方法如何很好地扩展到复杂的传染和高度聚集的网络。
2020-02-12 cond-mat.stat-mech physics.soc-ph q-bio.PE
Predicting the evolution of the COVID-19 epidemic with the A-SIR model: Lombardy, Italy and São Paulo state, Brazil
存在大量感染者，但症状很少或没有症状，这是一个重要的流行病学难题，也是COVID-19的主要数学特征。Giuseppe Gaeta，arXiv：2003.08720 [q-bio.PE]（2020）提出了A-SIR模型，即SIR（易感-感染-移除）模型，其中包含无症状或症状很少的感染个体的隔室。在本文中，我们调查了一个稍微广义的版本相同的模型，并提出了一个计划，用于拟合的参数模型的真实数据，仅使用时间序列的死者个人。该方案适用于意大利伦巴第和巴西圣保罗州的具体案例，显示了流行病的不同方面。对于每种情况下，我们表明，我们可能有很好的适合到目前为止的数据，但在未来的行为有很大的差异。这种不同结果背后的原因是一个关键参数的值的不确定性，感染者完全有症状的概率，以及所采取的社交距离措施的强度。这一结论加强了努力确定人群中有症状或无症状的感染者的真实数量的必要性。
2020-08-17 math.DS q-bio.PE
A class of pairwise models for epidemic dynamics on weighted networks
在本文中，我们研究了无向加权网络上的$SIS$（易感染-感染-易感）和$SIR$（易感染-感染-消除）流行病模型，通过推导成对型近似模型和基于个体的网络模拟。两种不同类型的理论/合成加权网络模型被认为是。这两种模型都是从具有固定拓扑的非加权网络开始，然后以（i）随机或（ii）固定/确定性方式分配链路权重。成对模型制定了一个一般的离散分布的权重，这些模型结合网络模拟，以评估不同的权重分布的影响流行阈值和动态一般。对于$SIR$动力学，基本的再生比$R_0$计算，我们表明，（i）对于两个网络模型$R_{0}$是最大化的，如果所有的权重都是相等的，和（ii）当两个模型是平等匹配的，网络与随机的权重分布引起更高的$R_0$值。该模型还用于探索不同参数组合的成对模型和模拟模型之间的协议。
2012-08-29 math.DS math.PR nlin.CD
Effects of human dynamics on epidemic spreading in Côte d'Ivoire
了解和预测传染病的爆发对于社会发展和公共卫生至关重要，特别是对于不发达国家。然而，由于受空间结构和人类动力学（包括人类流动性和人类互动强度）影响的复杂流行病传播动力学，因此遇到了挑战性问题。我们提出了一个系统的模型来描述科特迪瓦全国范围内的流行病传播，它集成了多个因素，如人员流动，人际交往强度，人口特征。通过数据驱动的模拟和理论分析，我们提供了一些见解，以帮助建模和预测流行病传播过程，这超出了局部评估和几何视图的范围。我们表明，当地的平均基本生殖数大于1的要求是不必要的流行病的爆发。观察到的扩散现象可以粗略地解释为一个异质的扩散反应过程，通过重新定义移动距离，根据节点之间的人的移动量，这是超越几何的观点。然而，人类动力学的异质性仍然对精确预测提出了挑战。
2016-04-30 physics.soc-ph q-bio.PE
SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics
University of Waterloo（滑铁卢大学）；Dalhousie University（达尔豪斯大学）
针对传统仓室模型难以捕捉流行病真实动态、数据稀缺下预测难的问题，提出基于稀疏性与延迟嵌入的SPADE4方法，结合稀疏回归随机特征模型与Takens定理，在模拟和真实数据上表现均优于仓室模型。
2023-06-13 cs.LG physics.soc-ph q-bio.PE
Predicting epidemic outbreak from individual features of the spreaders
了解哪些个体可以更有效地在确定的环境中传播病原体是疾病控制中的一个基本问题。事实上，在过去的几年里，流行病的传播及其与相关系统拓扑结构的关系一直是复杂网络理论中反复出现的话题，同时考虑到网络模型和现实世界的数据。在本文中，我们探讨了传染病的异质性传播由易感染-感染-恢复（SIR）模型，和起源顶点的几个属性之间的可能的相关性，考虑Erdös-Rényi（ER），Barabási-Albert（BA）和随机几何图（RGG），以及一个真实的研究案例，美国航空运输网络，包括美国500个最繁忙的机场以及相互连接。最初，考虑到RGG网络，在其中，我们解析推导出的传播率的分布在已建立的联系人之间的表达式，通过假设这样的速率呈指数衰减的距离，分开的个人的异质性的传播实现。这样的分布也被认为是ER和BA模型，我们观察到拓扑效应的相关性。在机场网络的情况下，扩展率是根据经验定义的，假设与座位可用性成正比。在所考虑的理论网络和真实网络中，我们观察到总流行率与流行源的程度、强度和可及性之间存在高度相关性。然而，对于诸如介数中心性和$k$壳指数之类的属性，相关性取决于所考虑的拓扑。
2012-06-15 cs.SI physics.soc-ph q-bio.PE
Epidemic "momentum" and a conservation law for infectious disease dynamics
McMaster University（麦克马斯特大学）；Sorbonne Université（索邦大学）
本文提出'传染病动量'概念，揭示传染病动力学中的守恒定律，通过分析流行率与潜在感染能力的关系，区分传播力与免疫力，为理解传染病爆发提供新视角。
2026-09-09 q-bio.PE
Approximating Peak Prevalence in Multistage SIR Epidemics
The Ohio State University（俄亥俄州立大学）
研究多阶段SIR模型中峰值患病率与加权阶段函数最大值的关系，提出基于Erlang缩放的因子二近似及其误差修正方法。
2026-07-02 math.DS q-bio.PE
Efficient weighted-ensemble network simulations of the SIS model of epidemics
针对标准动力学蒙特卡罗模拟在过渡路径采样和罕见事件识别中的不足，本文将加权集成方法应用于大型异质种群网络的SIS模型，实现了对罕见事件的高效采样和复杂路径探索，并在新参数范围计算了灭绝平均时间及准平稳分布。
2024-12-01 cond-mat.stat-mech q-bio.PE
A knowledge transfer model for COVID-19 predicting and non-pharmaceutical intervention simulation
自2019年12月以来，一种新型冠状病毒（2019-nCoV）在中国爆发，可导致呼吸道疾病和严重肺炎。依靠疫情规模预测疾病暴发的数学和经验模型越来越受到人们的关注。鉴于该模型在传染病量表评价中的成功应用，本文提出了一个SUIR模型，为传染病的预测、预防和控制提供了有效的方法。我们的模型是一个改进的易感染-感染-恢复（SIR）模型，注入未诊断的状态，并提供预训练的有效繁殖数。我们的SUIR模型比传统的SIR模型更精确。此外，我们结合流行病的领域知识来估计有效再生数，解决了传染病模型的初始易感人群接近地面真理。这些发现对COVID-19疫情趋势的预测具有影响，因为这些发现有助于估计疫情的增长。
2021-01-04 math.DS math.OC physics.soc-ph
Why is it easier to predict the epidemic curve than to reconstruct the underlying contact network?
针对加权图上确定性SIS模型，通过数学推导解释为何预测流行病曲线比重建接触网络更易：大型网络中曲线预测鲁棒，而网络重建病态，且给出重建可行时网络的显式公式，为该现象提供严格理论依据。
2025-07-08 q-bio.PE
SEIAR model with asymptomatic cohort and consequences to efficiency of quarantine government measures in COVID-19 epidemic
我们提出了一个分区SEIAR模型的流行病传播作为推广的SEIR模型。我们认为，无症状感染人群是对COVID-19疾病流行动力学理解的一个遗漏部分。我们引入并推导出基本繁殖数作为有症状和无症状队列的基本繁殖数的加权算术平均值。由于没有检测到无症状受试者，他们可以更长时间地传播疾病，这将COVID-19 $R_0$增加到约9.我们发现，欧洲各国的流行病爆发与基于COVID-19临床特征的常用参数模拟相对应，但如果考虑无症状队列，则$R_0$约为3倍。当前，学界不少声音都在提请关注无症状感染者群体。我们相信，无症状人群在COVID-19疾病的传播中起着至关重要的作用，政府在采取措施时必须理解这一点。
2020-04-06 q-bio.PE
Towards predicting COVID-19 infection waves: A random-walk Monte Carlo simulation approach
现象学模型和确定性模型通常用于估计流行病的传播参数和预测其增长轨迹。这类分析通常以单高峰爆发动态为基础。鉴于目前的COVID-19大流行，迫切需要更好地了解观察到的具有多个峰值结构的流行病增长，最好使用第一性原理方法。根据我们之前的工作[Physica A 574，126014（2021）]，我们在这里应用2D随机游走蒙特卡罗计算来更好地了解COVID-19通过接触相互作用传播。封锁方案和所有其他控制干预措施都是通过限制流动性和调节随机相互作用人群的感染率来实施的。随着时间的推移，对易感人群、感染人群和康复人群进行跟踪，无需求解微分方程即可获得每日感染率。对印度、塞尔维亚、南非和美国四个国家的人口密度进行了模拟。在所有情况下，我们的结果都捕捉到了观察到的感染增长率。更重要的是，模拟模型被证明可以预测第二波和第三波感染，具有合理的准确性。多重波结构的这种预测性质提供了一种简单而有效的工具，可能有助于在目前的大流行期间规划缓解策略。
2022-01-13 q-bio.PE
Toward epidemic thresholds on temporal networks: a review and open questions
流行病学接触网络模型已经成为理解和预测传染病传播的重要工具，因为它们能够参与可能构成特定宿主-病原体系统基本动力学的个体异质性。同样重要的是，现实世界的接触网络随着时间的推移而发生的变化，无论是独立于病原体传播还是对病原体传播的反应。这些动态在确定一种疾病是会在人群中消亡还是成为流行病（称为流行病阈值）方面发挥着核心作用。在本文中，我们提供了一个概述的方法来预测时间接触网络模型的流行阈值，并讨论了尚未探索的领域。
2019-10-25 physics.soc-ph q-bio.PE stat.AP
The role of vegetables trade network in global epidemics
2011年5月爆发的肠出血性大肠杆菌（EHEC）警告了世界蔬菜贸易网络（VTN）在传播致命传染病方面的潜在威胁。中介网络的异质性权重分布和多尺度活动影响着流行病的扩散、增殖和消亡。本文利用FAO 2008年全球植被生产和贸易统计数据，构建了一个包含118个主要国家和地区的双加权VTN，并建立了一个反应扩散模型来模拟通过VTN的流行行为。我们发现VTN上出现了一个不对称的流行阈值，在该阈值下，节点内的局部扩散比全局扩散对EHEC样疾病的传播起着更关键的作用，即足够的局部扩散是全局扩散的前提。我们还发现，一个强大的模块化的VTN结构，这限制了EHEC样疾病的传播，但在社区内，扩散是快速和容易的。此外，还存在一个关键的“流行干”，其中已从整个VTN中发现了一系列放大病原体增殖和扩散的正反馈循环。统计学分析表明，EHEC的理论菌群组成与实际菌群组成具有较好的一致性。研究结果为设计控制疾病全球扩散的梯度控制策略提供了一个机会。我们的分析提供了对贸易网络介导的全球流行病的首次检查，以改善未来的控制和免疫策略。
2011-10-08 q-bio.PE
Conceptual and mathematical modeling of insect-borne plant diseases: theory and application to flavescence doree in grapevine
昆虫传播的植物疾病通常在野生植物和农作物中复发，并且在产品产量和货币回报方面造成严重损失。因此，昆虫传播的植物疾病的数学模型是一个必不可少的工具，以帮助预测流行病的进展，并在控制策略时，在现场实施的决策援助。在保留所提出的模型对昆虫介导的植物流行病的普遍适用性的同时，我们专门研究了葡萄植物葡萄中由叶蝉Scaphoideus titanus专门传播的Flavescence dorée植原体（FD）的流行病。流行病学模型较好地解释了S. titanus、S. titanus和V. vinifera，葡萄园设置和农艺措施。对该模型进行了全面的生物S。多年来在意大利皮埃蒙特的各个研究中心收集的泰坦巨龙生活周期〈动〉<动>和FD流行数据。这里介绍的工作代表了一套独特的控制方程测试现有的独立数据，并为进一步建模的进步和可能的应用，以调查真实情况下的流行病控制策略和场景的有效性奠定了基础。
2014-08-28 q-bio.PE
Exact equations for SIR epidemics on tree graphs
我们认为马尔可夫不确定性传染性删除（SIR）动力学的时不变加权接触网络的感染和删除过程是泊松和网络链接可能是有向或无向的。我们证明了一个特定的基于对的时刻封闭表示生成预期的传染性时间序列的网络中没有周期的基础图。此外，这种复杂的异质和有限马尔可夫系统的预期行为的“确定性”表示是直接的数值评估。
2013-12-18 math.PR q-bio.PE
Comparison of two mean-field approaches to modeling an epidemic spread
本文比较了SIR常微分方程模型、分组最优控制平均场模型和全局共同策略平均场模型三种流行病传播建模方法，通过解析比较、敏感性分析及合成与真实数据评估其预测能力，并提出了有限差分模拟。
2024-11-05 math.OC q-bio.PE
Critical-like growth in non-critical transitions: linearised dynamics and epidemic applications
University of Warwick（华威大学）；School of Life Sciences, University of Warwick（华威大学生命科学学院）
本文研究了非临界过渡的早期预警信号，通过线性化时变动力学在流行病系统中预测感染波。
2026-09-18 q-bio.PE
Extinction times of epidemic outbreaks in networks
在疾病传播的易感-传染-传播（SIR）模型中，流行病的灭绝时间发生在每个接触者的传播概率的中间值。传染性太强的疾病在人群中很快就消失了。传染性不够强的感染在传播给大部分人之前就已经死亡。我们刻画了SIR网络模拟中的最大灭绝时间如何依赖于网络结构。例如，我们发现，在孤立的组件的平均距离，加权组件的大小，是一个很好的预测的最大灭绝时间。此外，最长爆发的传播概率大于流行阈值，但似乎与之无关。
2013-10-15 cs.SI physics.soc-ph q-bio.PE
Curvature-Weighted Contact Networks: Spectral Reduction and Global Stability in a Markovian SIR Model
本文提出曲率加权接触网络模型，通过曲率正则化降低谱半径，提高流行病阈值，实现对异质网络中流行病动态的全局稳定性分析。
2025-12-25 math.DS math.PR q-bio.PE
Bayesian data assimilation provides rapid decision support for vector-borne diseases
预测病媒传播疾病的传播以应对入侵需要在爆发之前了解宿主和病媒的人口统计学。虽然宿主种群数据通常是可用的，但对于新疾病的引入，病原体利用数据不可用的载体的可能性很高。这对估计代表宿主-病媒-病原体相互作用的动态模型的参数构成了障碍，因此限制了它们提供定量风险预测的能力。新西兰牛中东方泰勒虫（池田虫）的爆发表明了这一问题：尽管对该病媒进行了广泛的实验室研究，但其全国人口分布仍存在高度不确定性。针对这一点，我们开发了一个贝叶斯数据同化方法，间接观测的矢量活动通知一个季节性的时空风险面内的随机流行病模型。我们提供了对未来流行病传播的定量预测，量化了模型参数、病例感染时间和未检测到的感染的疾病状态的不确定性。重要的是，我们展示了我们的模型如何随着流行病的发展而顺序学习，并为随着时间的推移改变流行病动态提供了证据。因此，我们的方法为新型病媒传播疾病暴发的快速决策支持提供了重大进展。
2015-06-01 q-bio.PE
Flexible Bayesian Inference on Partially Observed Epidemics
针对静态网络上部分观测的SIR传播参数推断难题，本文提出MDN-ABC方法，通过最小化期望后验熵自动学习汇总统计量，免除人工选择并支持行为改变、检测误差等扩展。
2023-11-06 q-bio.PE
Bayesian Analysis of Epidemics - Zombies, Influenza, and other Diseases
流行动力学的数学模型为预测和控制传染病提供了重要的见解。疾病模型的动力学通常遵循易感、感染和恢复（SIR）模型，并进行一些标准修改。在本文中，我们将Munz et.al（2009）关于疾病动力学应用的工作扩展到所谓的“僵尸启示录”，然后将相同的方法应用于流感动力学。与Munz et.al（2009）不同，我们包括从流行文化电影中僵尸的特定片段中获取的数据，并将马尔可夫链蒙特卡罗（MCMC）方法应用于系统的改进动态表示。为了证明这种方法的有用性，除了有趣的例子之外，我们还将相同的方法应用于谷歌流感趋势数据，以确定感染率和恢复率。最后，我们讨论了使用的方法来探讨假设的干预政策，疾病暴发。
2013-11-27 q-bio.PE stat.AP
Stochastic Time to Extinction of an SIQS Epidemic Model with Quiescence
本文构建SIQS流行病学模型，研究寄生虫休眠对传染病随机灭绝时间的影响，证明休眠不改变再生数但使模型在较慢时间尺度上表现为SIS模型，揭示了休眠作为对冲随机灭绝策略的作用。
2025-03-08 q-bio.PE
PolSIRD: Modeling Epidemic Spread under Intervention Policies
传统上，流行病在人群中的传播是通过划分模型来建模的，这些模型代表了在没有任何干预政策的情况下疾病的自由进化。此外，这些模型假设疾病病例完全可观察，没有考虑到报告不足的情况。我们提出了一个数学模型，即PolSIRD，它占低报通过引入一个观察机制。它还通过利用干预政策数据以及报告的疾病病例，捕捉干预政策对疾病传播参数的影响。此外，我们允许我们的循环模型通过基于梯度的训练来学习所有隔室端到端的初始隐藏状态以及其他参数。我们将我们的模型应用于美国最近全球爆发的COVID-19的传播，我们的模型在预测传播方面优于CDC采用的方法。我们还从我们的模型中提供了反事实模拟，以分析过早取消干预政策的影响，我们的模型正确地预测了第二波疫情。
2021-05-12 physics.soc-ph q-bio.PE
Epidemic reproduction numbers in spatial networks
Aalto University（阿尔托大学）
本文提出基于网络的框架，比较具有和无空间结构的种群中繁殖数的差异，揭示网络结构对传染病传播的影响。
2026-03-23 physics.soc-ph q-bio.PE
Fast variables determine the epidemic threshold in the pairwise model with an improved closure
成对模型被广泛用于网络上的流行病传播模型。这些措施包括定期网络和扩展SIS动态和接触跟踪上表现出程度的异质性，定向和/或加权链接和聚类的易感染的，感染的，删除（SIR）流行病的建模。然而，疾病动力学或网络的额外特征导致系统大小的增加，并且分析易处理性变得有问题。可以使用各种“闭包”来保持系统的易处理性。集中在SIR流行病的定期，但集群网络，我们表明，即使是最复杂的封闭，我们可以确定的流行病阈值作为一个渐近展开的聚类coefficients.We这样做，利用存在一个系统的快速变量，指定的相关性结构的流行病，其稳定状态决定的流行病阈值。虽然我们没有找到稳定状态的分析，我们创建了一个优雅的渐近expansion. We验证这个新的阈值，通过比较它的数值解的完整系统，并发现在很大范围内的聚类系数，传输率和网络的平均度的值很好的协议。该技术适用于具有其他闭包的成对模型[1]，我们注意到流行阈值将依赖于模型。这强调了在处理实际爆发时模型选择的重要性。
2018-09-11 q-bio.PE q-bio.QM
Predicting the extinction of Ebola spreading in Liberia due to mitigation strategies
埃博拉病毒正在整个西非蔓延，造成数千人死亡。为了量化控制传播的不同策略的有效性，我们开发了一个数学模型，其中埃博拉病毒通过利比里亚的传播是由县之间的旅行引起的。对于埃博拉病毒传播的最初几个月，我们发现，我们的模型预测的疾病到达各县的时间与世界卫生组织的数据是一致的，但我们也发现，减少流动性不足以遏制疫情，因为它将埃博拉病毒到达每个县的时间推迟了几周。我们研究了两种情况下增加安全埋葬和有效住院治疗的战略的效果：（i）一种是在2014年7月中旬实施的，（ii）一种是在8月中旬-这是利比里亚开始强有力干预的实际时间。我们发现，如果情况（一）已经进行了流行病的寿命将缩短三个月，受感染的个人总数比情况（二）减少80%。我们在情景（ii）下的预测是，蔓延将在2015年春季中期停止。
2015-07-21 physics.soc-ph q-bio.PE
SIR epidemics in dynamic contact networks
人群中的接触模式从根本上影响传染病的传播。目前流行病学网络预测的数学方法主要假设个人之间的接触是固定的，至少在疫情爆发期间是如此。事实上，接触模式可能相当不稳定，个人经常建立和破坏社交或性关系。在这里，我们开发了一种数学方法来预测动态网络上的疾病传播，其中每个人都有一个特征行为（典型的接触次数），但他们的接触者的身份会随着时间的推移而变化。我们发现，动态接触模式的形状流行病学动态的方式，不能充分捕捉静态网络模型或大规模行动模型。我们的新模型使用混合参数在静态网络模型和大规模行动模型之间平滑插值，从而在不同类别的流行病学模型之间提供了一个桥梁。从亚特兰大高中的流行病学和性接触数据，然后，我们证明了这种方法的实用性预测和控制性传播疾病的爆发。
2007-05-15 q-bio.PE q-bio.QM
Reducing Size Bias in Epidemic Network Modelling
该研究比较 RW 与 MHRW 在 ER、SW、SF 及牛只移动网络上的 SIR 抽样表现，发现 MHRW 可显著降低规模偏差并提升传播估计精度。
2025-06-10 q-bio.PE
Application of neural-network hybrid models in estimating the infection functions of nonlinear epidemic models
本研究针对现有混合模型多聚焦线性问题的不足，结合分岔理论与均方误差损失设计新型损失函数，构建非线性传染病混合神经网络模型，可准确估计感染函数，经数值实验和COVID-19真实数据验证有效。
2022-03-05 math.DS physics.soc-ph q-bio.PE
Analysis, Modeling, and Representation of COVID-19 Spread: A Case Study on India
冠状病毒爆发是地球上所有人类面临的最具挑战性的大流行病之一。隔离感染者及保持社交距离等技术是对抗COVID-19疫情的唯一预防措施。在有限的数据下对感染人数的实际估计是数据科学家面临的一个不确定问题。现有文献中有大量的技术，包括再生产数、病死率等，用于预测流行病的持续时间和传染人群。本文介绍了一个案例研究，介绍了用于分析、建模和表示与COVID-19等流行病相关的数据的不同技术。我们进一步提出了一个算法，估计在一个特定的地区的感染传播状态。本文还提出了一种由易感传染病和传染病模型估计流行病结束时间的算法。最后，本文通过实证和数据分析，研究了传播概率、接触率、传染性和易感性对疫情传播的影响。
2020-08-30 cs.SI physics.soc-ph q-bio.PE
SUIHTER: A new mathematical model for COVID-19. Application to the analysis of the second epidemic outbreak in Italy
COVID-19疫情是上个世纪影响人类的一长串大流行病中的最后一次。在本文中，我们提出了一个新的数学流行病学模型命名为SUIHTER从七个隔间的名称，它包括：易感未感染的个人（S），未检测到的（无症状和有症状）感染（U），隔离（I），住院（H），威胁（T），灭绝（E）和恢复（R）。一个合适的参数校准，是基于最小二乘法和马尔可夫链蒙特卡罗（MCMC）方法的结合使用，提出了再现过去的历史，在意大利的流行病，出现在2月下旬，至今仍在进行中，并验证SUIHTER在其预测能力。新模型的一个显著特点是，它允许在模型分区和意大利民防局每天提供的数据之间采用一对一的校准策略。然后将新模型应用于意大利疫情的分析，重点是2020年秋季出现的第二次疫情。特别是，我们表明，流行病学模型SUIHTER可以适当地用于在国家一级进行情景分析的预测方式。
2021-04-26 cs.NA math.NA q-bio.PE
Probabilistic predictions of SIS epidemics on networks based on population-level observations
我们预测未来的过程中，正在进行的易感染的易感（SIS）流行病的定期，Erdens-Rényi和巴拉巴西-阿尔伯特网络。众所周知，接触网络会影响流行病在人群中的传播。因此，对流行病的观察，在这种情况下是在人口水平上，包含了关于底层网络的信息。这些信息反过来又有助于预测正在发生的流行病的未来发展。为了在预测框架中利用这一点，网络上SIS流行病的精确高维随机模型由低维代理模型近似。代理模型是基于出生和死亡的过程，底层网络的影响是由出生率的参数模型描述。我们实证表明，代理模型捕捉的内在随机性的流行病，一旦它达到一个点，它不会消失。贝叶斯参数推断允许将关于模型参数和底层网络的类的不确定性直接并入概率预测。对一些情景的评估表明，在大多数情况下，所产生的预测区间充分量化了预测的不确定性。只要人口水平的数据在足够长的时间内是可用的，即使不经常采样，该模型也会导致良好的预测，其中底层网络被正确识别，预测不确定性主要反映了传播流行病的内在随机性。对于从较短的观测周期推断的预测，参数和网络类别的不确定性主导了预测的不确定性。所提出的方法依赖于最少的数据，是数值效率，这使得它有吸引力，无论是作为一个独立的推理和预测方案，或与其他方法结合。
2021-11-09 math.DS q-bio.PE stat.AP
Modeling Epidemic Spreading through Public Transit using Time-Varying Encounter Network
公共交通（PT）网络中的乘客接触可能是传染病传播的关键媒介。本文提出了一个时变加权PT相遇网络模型，通过PT系统的传染病传播。在地方和全球层面的社会活动联系也被考虑在内。我们选择2019冠状病毒病（COVID-19）的流行病学特征作为案例研究，并结合新加坡的智能卡数据来说明城市层面的模型。一个可扩展的和轻量级的理论框架来捕捉时变和异构的网络结构，这使得在整个人口水平上解决问题，具有较低的计算成本。从公共卫生方面和运输方面的不同控制政策进行了评估。我们发现人们的预防行为是控制流行病传播的最有效措施之一。从交通方面看，部分关闭公交线路有助于减缓疫情，但无法完全遏制疫情蔓延。利用智能卡资料识别“有影响力的乘客”，并及早隔离他们，亦可有效减少传染病传播。
2020-11-22 cs.SI physics.soc-ph q-bio.PE
Modelling the spread of Covid19 in Italy using a revised version of the SIR model
在本文中，我们提出了一个模型来预测COVID-19疫情的传播，并将其应用于意大利的具体案例。我们从一个简单的易感、受感染、被感染（SIR）模型开始，并添加了一个条件，即在一定时间后，基本繁殖数$R_0$随时间呈指数衰减，正如世界数据所表明的那样。使用这个模型，我们能够再现流行病的真实行为，平均误差为5%。此外，我们说明了未来可能的情况下，与不同的间隔$R_0$。该模型自2020年3月初以来一直在使用，预测2020年4月意大利的疫情高峰约为10万例。疫情的真正高峰发生在2020年4月20日，有10.8万例活动病例。这一结果表明，该模型对意大利的情况具有预测能力。
2020-05-19 physics.soc-ph q-bio.PE
Epidemic threshold and control in a dynamic network
在本文中，我们提出了一个模型，描述易感-感染-易感（SIS）型流行病传播的动态接触网络与随机链接激活和删除，其中链接激活可以局部约束。我们使用并适应Lindquist等人最近提出的改进的有效度房室建模框架[J. Lindquist等人，J. Math Biol.62，2，143（2010）]和Marceau等人[V. Marceau等人，E82，036116（2010）]。所得到的一组常微分方程（ODE）的数值求解和结果进行了比较，使用基于个人的随机网络模拟。我们表明，ODE显示出与疾病和网络演化的模拟非常一致，并且能够准确地捕获广泛参数的流行阈值。我们还提出了一个分析的R 0计算的动态网络模型，并表明，取决于网络进化和疾病传播的相对时间尺度的两个极限情况下恢复：（i）静态网络的情况下，网络进化是缓慢的，（ii）均匀的随机混合时，网络进化是快速的。我们还使用阈值计算来强调在不断发展的网络上预测流行病爆发时依赖局部稳定性分析的危险。
2011-12-13 math.DS math.PR q-bio.PE
Modeling nonlocal behavior in epidemics via a reaction-diffusion system incorporating population movement along a network
2019冠状病毒病（COVID-19）的爆发始于2019年，并持续到撰写本文时，导致人们对传染病的数学建模重新产生了兴趣。最近的工作集中在偏微分方程（PDE）模型，特别是反应扩散模型，能够描述在空间和时间的流行病的进展。这些研究在描述和预测COVID-19进展方面显示出普遍有希望的结果。然而，人们经常在短时间内长途旅行，导致疾病的非本地传播。这样的传染动力并不能仅仅用扩散来很好地代表。相比之下，常微分方程（ODE）模型可以通过将不同的区域视为网络中的节点来轻松解释这种行为，其中边缘定义了非本地传输。在这项工作中，我们试图通过引入一个网络结构内的反应扩散偏微分方程系统结合这些建模范式。这是通过定义人口转移算子来实现的，该算子将不相交的和可能遥远的地理区域耦合起来，促进它们之间的非本地人口移动。我们提供的分析结果表明，该运营商不会破坏系统的物理一致性或数学适定性，并通过数值实验验证这些结果。然后，我们使用这种技术来模拟巴西里约热内卢地区的COVID-19疫情，展示其捕捉重要非局部行为的能力，同时保持反应扩散模型描述局部动态的优势。
2022-05-09 physics.soc-ph q-bio.PE
Beyond $R_0$: Heterogeneity in secondary infections and probabilistic epidemic forecasting
基本生殖数-- $R_0$ --是公共卫生中最常见和最常被误用的数字之一。尽管经常用于比较疫情和预测大流行风险，但这一单一数字掩盖了两种不同病原体可能表现出的复杂性，即使它们具有相同的$R_0$。在这里，我们展示了如何利用继发感染分布的估计值来预测爆发规模，同时利用其平均$R_0$和潜在的异质性。要做到这一点，我们重新制定和扩展的经典结果，从随机网络理论，依赖于接触追踪数据，同时确定的第一时刻（$R_0$）和更高的时刻（代表异质性）在继发性感染的分布。此外，我们还展示了在新兴病原体的数据稀缺的现实中实施该框架的不同方式。最后，我们证明，如果没有关于新出现的传染病（如COVID-19）继发感染异质性的数据，疫情规模的不确定性会大幅增加。总之，我们的工作突出了在新出现的传染病暴发期间对接触者追踪的迫切需要，以及在预测流行规模时超越$R_0$的需要。
2020-04-14 physics.app-ph physics.soc-ph q-bio.PE
Modelling Covid-19 epidemic in Mexico, Finland and Iceland
在过去的二十年里，全球爆发了一些病毒性疾病。这加快了对疾病传播进行建模和预测的努力，以便找到限制区域内和区域间传播的方法。为此，我们设计了一个因人类空间流动而导致的病毒感染地理传播模型，并将其适用于最新的COVID-19大流行。在此，要建模的区域覆盖有用人口密度定义的单元加权的二维网格，在每个单元中，延迟差分方程的隔室SEIRS系统模拟疾病的局部动力学（微动力学）。细胞之间的感染是随机的，并且允许病毒在二维空间上的地理传播（宏观动力学）。这种方法可以将与疾病的生物学方面有关的参数与通过作为病毒携带者的人的不同类型的流动性代表空间传染行为的参数分开。这些数据提供了足够的信息，可以追踪不同情况下大流行病的演变情况。特别是，我们将这种方法应用于三个在许多方面不同的国家，墨西哥，芬兰和冰岛，并发现该模型能够复制和预测大流行病的随机全球路径。这项研究揭示了一个国家的不同文化和社会经济方面如何影响流行病的演变以及社交距离和其他限制措施的有效性。
2020-07-18 physics.soc-ph q-bio.PE
Effective Resistance for Pandemics: Mobility Network Sparsification for High-Fidelity Epidemic Simulation
网络科学已日益成为流行病学领域和我们应对传染病威胁能力的核心。然而，许多从现代数据集衍生的网络不仅很大，而且很密集，边与节点的比率很高。这包括人类移动网络，其中大多数位置与许多其他位置有大量链接。模拟大规模流行病需要大量的计算资源，在许多情况下实际上是不可行的。减少在这些网络上模拟流行病的计算成本的一种方法是稀疏化，其中基于其重要性的某种度量来选择具有代表性的边缘子集。我们测试了几种稀疏化策略，从天真的阈值到随机采样的边缘，从美国的移动数据在计算机科学最近的工作，我们发现，最准确的方法使用的有效电阻的边缘，优先边缘，这是唯一有效的方式，他们的端点之间旅行。由此产生的稀疏网络保留了SIR模型行为的许多方面，包括全局量（如流行病规模）和随机事件的局部细节，包括每个节点被感染的概率及其到达时间的分布。即使稀疏网络保留的原始网络边缘少于$10\%$，这也成立。除了它的实际效用，这种方法有助于阐明加权，无向网络的哪些环节是最重要的疾病传播。
2022-07-26 cs.SI physics.soc-ph q-bio.PE
Impact of network assortativity on disease lifetime in the SIS model of epidemics
本文在异质网络SIS模型中推导出平均灭绝时间的解析公式，证明度同配性与度异质性对疾病灭绝时间的影响可互换，并用加权系综方法在大型网络上验证了稀有事件结果。
2025-04-13 cond-mat.stat-mech physics.comp-ph q-bio.PE
Controlling distant contacts to reduce disease spreading on disordered complex networks
在真实的社交网络中，人与人之间的互动是异质的，这会影响疾病在人群中传播的方式，达到感染个体比例的临界点，并成为流行病。这种属性称为无序，通常与个体之间的接触时间相关，可以通过加权网络进行建模，其中权重与归一化接触时间$ω$相关。在本文中，我们研究了SIR模型的疾病传播时，密切和遥远的相互作用类型。我们开发了一种缓解策略，仅减少远距离接触的持续时间，这在实践中更容易改变。使用分支理论，通过模拟的支持，我们发现，当紧密接触的密度$f_1$降低时，该策略的有效性增加。此外，我们发现了一个阈值$\tilde{f}_1 = T_c / β$，低于该策略可以使系统从流行到非流行阶段，即使密切接触者有最长的持续时间。
2020-05-11 physics.soc-ph q-bio.PE
Reconciling Security and Utility in Next-Generation Epidemic Risk Mitigation Systems
本文提出 Silmarillion 系统，通过部署 Bluetooth 信标丰富接触数据并保障隐私，兼顾疫情分析效用与数据安全，原型评估和大学小规模部署验证了其实用性。
2024-05-09 cs.CR cs.CY cs.SI
Be-CoDiS: A mathematical model to predict the risk of human diseases spread between countries. Validation and application to the 2014-15 Ebola Virus Disease epidemic
埃博拉病毒病是一种致命的人类和灵长类动物疾病，目前需要国际卫生当局特别关注，因为一些西非国家爆发了重大疫情，英国、美国和西班牙也出现了孤立病例。关于这种情况的紧急性，有必要开发决策工具，如数学模型，以协助当局集中努力消除埃博拉病毒的重要因素。在这项工作中，我们提出了一种新的确定性时空模型，称为Be-CoDiS（国家间疾病传播），研究人类疾病的国家内和国家之间的演变。Be-CoDiS的主要有趣的特点是考虑到人在国家之间的流动，控制措施的效果和使用适合每个国家的时间依赖系数。首先，我们专注于模型的每个组成部分的数学公式，并解释如何获得其参数和输入。然后，为了验证我们的方法，我们考虑了两个关于2014-15年埃博拉疫情的数值实验。第一项研究从2013年12月几内亚的指数病例开始，研究该模型预测国家之间EVD演变的能力。第二部分是利用最近的一些数据预测这一流行病的演变。与Be-CoDiS获得的结果进行比较，真实的数据和其他模型的输出中发现的文献。最后，对参数进行了简要的敏感性分析。Be-CoDiS的免费Matlab版本可在http://www.mat.ucm.es/momat/software.htm上获得
2015-05-12 cs.CE math.DS physics.soc-ph
Diverse local epidemics reveal the distinct effects of population density, demographics, climate, depletion of susceptibles, and intervention in the first wave of COVID-19 in the United States
SARS-CoV-2大流行在全世界造成了严重的死亡率和发病率，几乎没有一个社区幸免。由于这种疾病在未来几年可能仍然是一种威胁，因此了解人口统计和定居点以及气候、易感人群耗竭和干预等动态因素对局部流行病传播的确切影响对于采取有效应对措施至关重要。我们考虑了美国当地的一整套流行病;广泛的人口统计学，人口密度和气候因素;以及当地的流动性数据，跟踪社交距离干预措施，以确定推动病毒传播和遏制的关键因素。假设第一个线性模型的指数增长率（或衰减）的情况下/死亡率，我们发现，人口加权密度，湿度和中位年龄占主导地位的增长和下降的动态，一旦干预占。对不同大都市地区的关注表明，一些地区受益于几乎同时发生的全国范围内的关闭时间和/或3月中旬的区域气候条件;而其他地区在干预之前就遭受了严重的疫情爆发。使用感染传播的第一性原理模型，然后我们对放松社交距离和当地气候条件的影响进行预测。有证据表明，有相当一部分人口受到感染的少数地区，通过减少易感人口，疫情已部分得到解决（即，“群体免疫”），而美国大部分地区仍然非常容易受到影响。这些结果对于干预策略的优化管理非常重要，这可以通过我们的在线仪表板来实现。
2020-07-01 physics.soc-ph q-bio.PE q-bio.QM
Can a latent Hawkes process be used for epidemiological modelling?
Imperial College London（伦敦帝国理工学院）
了解COVID-19的传播一直是众多研究的主题，突出了可靠的流行病模型的重要性。在这里，我们介绍了一种新的流行病模型，使用时间协变量的潜在Hawkes过程建模的感染。与其他模型不同的是，我们通过由潜在的霍克斯过程驱动的概率分布对报告的病例进行建模。通过Hawkes过程对感染进行建模，使我们能够估计受感染个体被谁感染。我们提出了一个核密度粒子滤波器（KDPF）的推理的潜在情况下，再生数和预测的新情况下，在不久的将来。计算工作量与感染的数量成比例，使得可以使用粒子滤波器类型的算法，例如KDPF。我们在英国各地方当局的合成数据集和COVID-19报告病例上展示了所提出算法的性能，并将我们的模型与替代方法进行了基准测试。
2022-08-15 cs.LG q-bio.PE stat.ME
Pyfectious: An individual-level simulator to discover optimal containment polices for epidemic diseases
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）；Imperial College（帝国理工学院）
模拟传染病在人类社区中的传播对于预测流行病的发展轨迹和验证控制疫情破坏性影响的各种政策至关重要。许多现有的模拟器是基于隔间模型，将人分成几个子集，并使用假设的微分方程来模拟这些子集之间的动态。然而，这些模型缺乏必要的粒度来研究以特定方式影响每个人的智能策略的效果。在这项工作中，我们介绍了一个模拟器软件，能够模拟人口结构和控制疾病的传播在个人水平。为了估计从模拟器得出的结论的置信度，我们采用了一种全面的概率方法，其中整个人口被构造为一个分层随机变量。这种方法使得推断的结论对采样伪影更鲁棒，并基于仿真结果给出决策的置信区间。为了展示潜在的应用，模拟器参数是根据COVID-19大流行的正式统计数据设定的，并调查了广泛的控制措施的结果。此外，该模拟器被用作强化学习问题的环境，以找到控制流行病的最优策略。所得到的实验结果表明，模拟器的适应性和能力，在作出合理的预测和一个成功的政策推导的例子，根据现实世界的数据。作为一个示例性的应用程序，我们的研究结果表明，所提出的政策发现方法可以导致控制措施，产生显着减少感染的个人在人口中，并保护卫生系统的饱和。
2021-04-21 cs.AI cs.LG cs.MA
The Framework for the Prediction of the Critical Turning Period for Outbreak of COVID-19 Spread in China based on the iSEIR Model
本研究的目标是建立一个通用框架，用于预测传染病疫情（如今年年初中国爆发的COVID-19）的所谓关键转折期。该框架能够及时预测武汉COVID-19疫情的转折期，并通知相关部门采取适当和及时的行动控制疫情。预计将为全球当前抗击COVID-19疫情的转折期提供有见地的信息。在我们的框架中，底层的数学模型是个体易感-暴露-排斥-去除（iSEIR）模型，其是一组微分方程，扩展了经典SEIR模型。我们使用2020年2月6日至10日武汉每日观察到的COVID-19病例作为iSEIR模型的输入数据，并能够根据更新后的模型生成随后几天于2月10日午夜的COVID-19病例动态轨迹，据此我们预测武汉的COVID-19疫情转折期将于2月14日后一周内到来。这一预测变得及时和准确，为政府、医院、重要工业部门和服务提供了充足的时间，以满足高峰需求并准备善后计划。我们的研究亦支持自2020年1月23日起在武汉果断实施封锁及隔离控制计划，在平坦化疫情曲线方面所观察到的成效。武汉经验为全世界抗击新冠肺炎提供了可借鉴的经验。
2020-04-05 physics.soc-ph q-bio.PE stat.CO
