Preventing epidemics by wearing masks: An application to COVID-19
这项工作的目标是考虑广泛使用口罩作为Covid-19大流行的非药物控制策略。一个SEIR模型，将人口分为戴口罩和不戴口罩的个体。在用下一代方法计算基本再生数后，得到了判断何时仅使用口罩就能预防流行病的标准和人群中用于预防疾病的口罩使用者的临界百分比。然后将结果应用于来自美国，巴西和意大利的真实世界数据。
2020-09-08 q-bio.PE
Epidemic analysis of COVID-19 in China by dynamical modeling
新型冠状病毒肺炎（COVID-19）在武汉的爆发引起了全球的关注。在这里，我们提出了一个广义SEIR模型来分析这种流行病。基于2020年1月20日至2月9日国家卫生健康委员会的公开数据，我们可靠地估计了关键的流行参数，并对5个不同地区的拐点和可能的结束时间进行了预测。据乐观估计，北京和上海的疫情将在两周内结束，而对于中国大部分地区，包括湖北省的大部分城市，抗疫成功将不迟于3月中旬。武汉的情况仍然非常严峻，至少根据2月15日之前的公开数据来看。我们预计它将在4月初结束。此外，通过反向推理，我们发现COVID-19在内地、湖北省和武汉的爆发都可以追溯到2019年12月底，早期的翻倍时间约为两天。
2020-06-25 q-bio.PE
Modeling the Epidemic Outbreak and Dynamics of COVID-19 in Croatia
该文件涉及在克罗地亚共和国的封闭领土上由2019年冠状病毒病（COVID-19）引起的持续流行病的建模。利用官方公布的确诊感染者、康复者和死亡者的数量，建立了改进的SEIR房室模型来描述流行病的基本动态。拟合的修正SEIR模型提供了对近期疾病进展的预测，考虑到克罗地亚卫生部在2月25日COVID-19传播开始时对感染者和高危人群采取的社交距离和隔离等严格控制干预措施。假设所提供的数据的准确性和令人满意的代表性的模型使用，基本再生数的推导。所取得的成果说明了潜在的积极发展，并证明卫生部采取的严格预防措施是合理的。
2020-05-04 q-bio.PE
Branching stochastic processes as models of Covid-19 epidemic development
本文的目的是描述两个新冠病毒感染动力学模型。为此，考虑了一类特殊的具有两类个体的分枝过程。这些模型旨在仅使用观察到的每日统计数据来估计感染的主要参数，并对未观察到的感染个体群体的平均值进行预测。在有关程序接纳移民成分的情况下，也考虑了类似的问题。这是一个严重的优势相比，其他更复杂的模型，其中官方报告的数据不足以估计模型参数。通过这种方式，所有国家的Covid-19疫情的具体发展也得到了考虑，因为它在专门创建的网站http://ir-statistics.net/covid-19上提供，其中每天更新所获得的结果。
2020-05-04 q-bio.PE
Public Health Policy: COVID-19 Epidemic and SEIR Model with Asymptomatic Viral Carriers
我们基于SEIRA模型（包括无症状传播的SEIR模型）衡量不同公共卫生法规对COVID-19传播的影响。累计确诊病例数、累计死亡数与无症状率呈非线性正相关。基于该模型，我们分析了三种公共卫生政策对COVID-19的抑制作用，即实验室确诊病例的隔离、一般个人防护和隔离（封锁）。模拟的结论是，隔离显示有限的影响，无症状的病毒携带者。一般个人防护和隔离在参与人数相同时，效果相似。当无症状、轻度症状和被忽视的患者的总比例为40%时，仅依靠隔离政策可能会导致额外75%的感染，而一般的个人防护或隔离的效率为80%。最后，我们提供了在空中传播的流行病（COVID-19）之前和期间进行公共卫生干预的七项建议。
2020-04-14 q-bio.PE
Mathematical Modeling of Epidemic Diseases; A Case Study of the COVID-19 Coronavirus
在这项研究中，我们从数学建模的角度研究了COVID-19冠状病毒等流行病的传播模式。该研究是基于著名的易感染-感染-恢复（SIR）房室模型家族的扩展。它显示了社会措施，如距离，区域封锁，检疫和全球公共卫生警戒，影响模型参数，最终可以改变死亡率和活跃的污染病例随着时间的推移，在现实世界中。与所有数学模型一样，模型的预测能力受到可用数据的准确性以及用于对问题建模的所谓\textit{level of abstraction}的限制。为了让更多的研究人员更好地了解流行病的传播模式，还介绍了生物系统建模的简短介绍，并在线提供了模拟的Matlab源代码。
2020-12-31 q-bio.PE
Metastable states in plateaus and multi-wave epidemic dynamics of Covid-19 spreading in Italy
在第一波和第二波疫情期间，意大利公共卫生政策对Covid 19疫情的控制是通过使用再生数Rt（t）来识别临界（消除）、亚临界（停滞），并通过临界状态进行分离。在这里，我们表明，要量化遏制措施下的Covid-19传播率（CSRwCM），需要通过Rt（t）和倍增时间Td（t）的组合构建三维扩展参数空间相图。在这个空间中，我们确定了意大利及其行政区的Covid-19动态。超临界状态的数学特征在于i）Td相对于[Rt（t）-1]的幂律和ii）Td相对于时间的指数行为，在第一波和第二波中。新的三维相图清楚地显示了亚稳态出现之前和之后的第二波临界制度。放松隔离和追踪活跃分子亚稳态是下一个新生波超临界状态突然开始的前兆。这种动态描述允许政策制定者进行所需的流行病预测，以启动非药物干预措施（NPI），这是避免经济损失、减少死亡和避免疫苗接种活动期间出现新病毒变异的关键问题
2021-02-07 q-bio.PE
Comparison of different exit scenarios from the lock-down for COVID-19 epidemic in the UK and assessing uncertainty of the predictions
我们根据现有数据并假设处理疫情的不同情景，对英国COVID-19疫情的进一步发展进行建模。在这项研究中，我们进一步扩展了\cite{us}中提出的随机模型，并将所有可用的关于表征病毒行为及其引起的疾病的参数的知识纳入其中。我们使用的模型是灵活的，全面的，运行速度快，并允许我们纳入以下内容：- 人口分布的不均匀性和不同地区流行病发展的不均匀性; -特定人群的特殊特征，特别是有特定病史的人和老年人。标准流行病学模型，如SIR及其许多修改都不够灵活，因此在需要使用上述特征的研究中不够精确。决策者从使用更好和更灵活的模型中获得了巨大的好处，因为他们可以避免细微差别的封锁，更好地根据地方种群数据规划退出策略，不同地区的疫情不同阶段，对特定人群提出具体建议;所有这一切对经济的影响较小，改善了对NHS的区域需求预测，从而实现智能资源分配。
2020-04-09 q-bio.PE
Estimation of Basic Reproduction Number of the COVID-19 Epidemic in Denmark using a Two-Step Model
目的：对政府干预引起的基本生殖数（BRN）进行早期估计，并预测丹麦环境中每天住院患者、ICU患者和累积死亡人数。方法：我们使用Kermack和McKendrick模型，根据不同的基本生殖数估计感染人数，并使用年龄分层百分比估计住院患者人数、ICU患者人数和累积死亡人数。根据当前住院患者数量估计基本生育数量的变化。结果如下：2月27日至3月18日期间的基本繁殖数为2.65，但3月18日之后，基本繁殖数下降到1.99。关键词：COVID-19，基本生殖数，丹麦人口
2020-03-25 q-bio.PE
A nucleation and growth model for COVID-19 epidemic in Japan
通过动态相变的基本方程分析了日本和东京的COVID-19疫情。结果发现，该流行病与随机成核和线性增长模型非常一致，表明2020年3月13日至2020年5月22日之间的流行病仅受三个常数参数的限制：初始易感性，域增长率和成核衰减常数。该模型提供了一个很好的预测流行病，因为它由一个方程和初始特定的情节是线性的。
2020-08-01 physics.soc-ph q-bio.PE
Estimation of population infected by Covid-19 using regression Generalized logistics and optimization heuristics
在这项工作中，提出了一个建议，估计的人口使用逻辑曲线拟合。这种类型的曲线用于研究人口增长，在这种情况下，感染Covid-19病毒的人口;它也可以用于近似精算和西班牙语类似研究中使用的生存曲线：En este trabajos se presenta una propuesta para la estimación de la poblaciones usando ajuste de curvas del tipo logística. Este tipo de curvas se utilizan para el estudio de crecimiento de poblaciones，en este casos población de personas infectadas por el virus Covid-19; y también se puede utilizar para aproximar la curva de supervencia que se utiliza en estudios actuariales y otras similares
2020-04-02 q-bio.PE
SEAIR epidemic spreading model of COVID-19
我们研究了COVID-19的易感-暴露-隔离-传染-隔离（SEAIR）传染病传播模型。它抓住了COVID-19传染性的两个重要特征：延迟开始和在症状出现之前出现，甚至完全没有症状。在随机正则图和复杂网络上，分别对该模型进行了连续时间分区和离散时间分区的理论分析。我们分析表明，有流行病的阈值和方程的易感人群在地方病平衡在所有三个版本，当流行病是弱的。我们提供的理论论据，一个节点的特征向量中心性近似决定其被感染的风险。
2020-08-28 physics.soc-ph q-bio.PE
Predicting the cumulative number of cases for the COVID-19 epidemic in China from early data
我们对中国的COVID-19冠状病毒疫情进行建模。我们使用早期报告的病例数据来预测报告病例的累积数量，以达到最终规模。我们模型的关键特征是限制社会流动的重大公共政策的实施时机、未报告病例的识别和隔离以及无症状感染病例的影响。
2020-02-27 math.DS q-bio.PE
An Epidemic Model SIPHERD and its application for prediction of the spread of COVID-19 infection for India and USA
Vellore Institute of Technology（维洛尔理工学院）；Visvesvaraya National Institute of Technology（维斯瓦萨瓦亚国家理工学院）
本研究提出考虑三类感染携带者、传播率与封控社交疏离相关、检测率与日检测量相关的SIPHERD流行病模型，经德韩疫情验证后用于预测印美不同封控检测条件下的新冠传播。
2020-05-11 q-bio.PE
An SEIR epidemic model of fractional order to analyze the evolution of the COVID-19 epidemic in Argentina
新型冠状病毒（COVID-19）引起的大流行病已在全球蔓延，导致阿根廷的疫情仍在活跃。在本章中，我们提出了一个案例研究，使用SEIR（易感-暴露）的分数阶扩散模型的时间来分析流行病的演变在布宜诺斯艾利斯和邻近地区（Región Metropolitana de Buenos Aires，（RMBA））包括约1500万居民。在SEIR模型中，个体被分为四类，即易感者（S）、暴露者（E）、感染者（I）和康复者（R）。分数阶的SEIR模型允许将记忆与系统的遗传特性结合，作为经典SEIR一阶系统的推广，其中忽略了这种影响。此外，分数模型提供了一个额外的参数，以获得更好的数据拟合。模型的参数通过使用官方报告的伤亡人数作为数据进行校准。由于无限解尊重数据，我们展示了一组具有不同锁定参数值、死亡率、潜伏期和感染期的情况。由此获得的不同繁殖率R 0和感染致死率（IFR）表明，结果可能与最近报告的值不同，构成了可能的替代解决方案。与经典的SEIR模型得到的结果的比较也包括在内。分析使我们能够研究隔离和社交距离措施如何影响疫情的时间演变。
2021-04-07 q-bio.PE
Modeling strict age-targeted mitigation strategies for COVID-19
我们使用一个简单的类SIR流行病模型，该模型整合了美国已知的年龄接触模式，以模拟针对年龄的缓解策略对COVID-19类流行病的影响。我们发现，在以群体免疫为终点的策略中，严格的年龄目标缓解策略有可能大大降低死亡率和ICU利用率。
2020-04-08 q-bio.PE
In Response to COVID-19: Configuration Model of the Epidemic Spreading
提出了一种基于无标度网络的传染病传播结构模型。我们得到的解析解描述了传染病传播的不稳定和稳定的动力学，并演示了如何这些制度可以在流行病的交换。我们将该模型应用于COVID-19病例，并展示了我们模型的预测特征。
2020-07-08 physics.soc-ph q-bio.PE q-bio.QM
The impact of multilateral imported cases of COVID-19 on the epidemic control in China
目前，COVID-19在中国的疫情已得到控制。然而，疫情正在全球迅速发展。由于人口的正常流动，中国面临输入性病例的高风险。潜在的特效药和疫苗仍在临床试验过程中。目前，控制输入性病例的影响是防止COVID-19在中国新爆发的关键。在本文中，我们提出了两个脉冲系统来描述COVID-19多边输入病例的影响。根据已发表的数据，我们模拟和讨论了不同的控制策略下的流行趋势。我们比较了四种不同的情况，并显示相应的医疗负担。研究结果有助于在实际工作中设计合适的输入性病例控制策略。
2020-04-06 math.DS q-bio.PE
COVID-19 Regional Waves and Spread Risk Assessment through the Analysis of the Initial Outbreak in Guatemala
2019冠状病毒病疫情于2020年3月首次爆发，袭击危地马拉。在国家范围内，疫情经历了一个相当知名和可区分的初始阶段，于2020年7月中旬达到高峰。然而，详细的情况更加复杂，反映了流行病动态的区域间差异，可能是基于社会人口、连通性和人员流动因素。对区域流行曲线进行分类并确定区域COVID-19传播的主要中心，有助于为未来具有类似传播特性的传染病爆发确定循证风险图。在这项工作中，我们做了一个区域波分解的初始流行病阶段登记在危地马拉，我们使用理查兹现象学模型及其估计的模型参数的多元排序技术绘制全国范围内的第一波流行病。通过探索模型空间参数的相似性，我们追踪了疾病在全国范围内传播的路线。我们评估了拟议的分类如何帮助定义一个区域风险等级，包括早期阶段的联络点，主要枢纽和二级流行病进展地区。
2022-09-13 q-bio.PE
Second quantization approach to COVID-19 epidemic
我们展示了如何使用基于创建和湮灭算子的标准场论语言直接推导COVID-19流行病的SIR型随机模型，从中我们获得了传染（活动病例）和死亡个体平均数量的时间演化。为了捕捉封锁和社交距离的影响，我们使用了时间依赖的感染率。结果与韩国三次不同流行活动波的数据吻合良好。
2022-02-06 physics.bio-ph q-bio.PE
Trend and forecasting of the COVID-19 outbreak in China
通过使用2020年1月20日至2月11日的公开数据，我们对中国大陆特别是湖北省的COVID-19疫情进行了数据驱动的分析和预测。我们的研究结果表明，每日感染的转折点预测分别为2020年2月6日和2月1日，对于湖北和湖北以外的中国。中国的疫情预计将在2020年3月10日之后结束，预计总感染人数为51600人。数据趋势表明，中国采取的快速、积极的减少人类接触的策略已经对疫情的控制产生了良好的影响。
2020-02-14 q-bio.PE
Prediction of number of cases expected and estimation of the final size of coronavirus epidemic in India using the logistic model and genetic algorithm
Amrita Vishwa Vidyapeetham（阿姆里塔维什瓦维迪亚皮塔姆）；Amrita School of Engineering（阿姆里塔工程学院）；Center for Computational Engineering and Networking (CEN)（计算工程与网络中心）
在本文中，我们应用逻辑增长回归模型和遗传算法来预测印度未来几天可能出现的冠状病毒感染病例数，并估计了印度冠状病毒疫情的最终规模及其高峰时间。
2020-03-26 cs.LG q-bio.PE
Minimal epidemic model considering external infected injection and governmental quarantine policies: Application to COVID-19 pandemic
由于现代交通网络（飞机，游轮等）某一国家或城市的流行病可能是由外来感染者的到来引发的。为了控制疫情的发展，政府通常采取事后检疫措施。我们制定了一个最小的流行病演化模型，考虑到这些组件。通过考虑每个阶段中不同的复杂性参数，以单独的方式对隔离策略的前一阶段和后一阶段的演化进行建模。该模型应用于不同国家的COVID-19数据。估计的感染高峰时间发生和流行病的饱和值，以及可能的检疫后的情况下进行了分析的基础上的模型，报告的数据，和人口的比例，采用检疫政策。
2020-05-05 physics.bio-ph q-bio.PE
COVID-19 in Mexico: A Network of Epidemics
与世界其他地区一样，墨西哥目前正面临COVID-19疫情。鉴于其领土面积，控制这一疾病的努力涉及国家和区域措施。在这项工作中，比较了联邦政府报告的每个城市每日新病例的曲线。我们发现，114个城市形成了一个大型网络的统计依赖性流行病的现象。根据该网络的模块结构，这114个城市可以分为四个不同的协调流行病现象社区。这些集群不受地理位置的限制。这些发现可以帮助公共卫生官员评估过去的策略和开发新的定向干预措施。
2020-06-20 physics.soc-ph q-bio.PE
On the uncertainty of real-time predictions of epidemic growths: a COVID-19 case study for China and Italy
虽然COVID-19在全球迅速传播，但提供疫情实时预测的需求推动了动态和统计模型对可用数据的适应，超出了其能力。在这里，我们专注于通过将渐近分布拟合到实际数据来进行COVID-19感染的统计预测。通过对中国各省和意大利地区的COVID-19感染总数的流行演变进行案例研究，我们发现，在疫情增长的早期阶段，预测的特点是具有很大的不确定性。这些不确定性在流行病达到高峰后大大减少。区域一级预测不确定性的差异可用来突出病毒传播的延迟。我们的研究结果警告说，长期外推的流行病计数必须极其小心地处理，因为它们不仅取决于数据的质量，而且还取决于流行病的阶段，由于内在的非线性本质的基本动力学。这些结果表明，实时流行病学预测应包括广泛的不确定性范围，并迫切需要编制高质量的感染计数数据集，包括无症状患者。
2020-04-20 physics.soc-ph q-bio.PE
Effectiveness of isolation measures with app support to contain COVID-19 epidemics: a parametric approach
在这项研究中，我们分析了旨在发现和隔离感染者以遏制COVID-19等流行病的措施的有效性，因为抑制了有效繁殖数量。我们开发了一个数学模型来计算这些措施产生的流行病的有效繁殖数的相对抑制。这一结果表示为一组参数的函数，这些参数描述了流行病的主要特征，并总结了隔离措施的有效性。特别是，我们专注于当一小部分人口使用移动应用程序进行流行病控制时的影响。最后，我们将该模型应用于COVID-19，提供了几个计算作为示例，并提供了到公共存储库的链接以运行自定义计算。这些计算以定量的方式显示了从症状和接触者追踪信息中识别感染者并尽早隔离他们的重要性。这些计算还评估了每个变量对遏制这一流行病的影响。
2021-10-21 physics.soc-ph q-bio.PE
A stochastic SIR model for the analysis of the COVID-19 Italian epidemic
我们提出了一个随机SIR模型，指定为随机微分方程系统，以分析意大利COVID-19疫情的数据，同时考虑到人口中感染和康复个体的检测不足。我们发现，一个正确的评估量的检测是很重要的，以获得可靠的估计的关键模型参数。此外，在整个流行期间的单一SIR模型无法正确描述大流行的行为。然后，在实施传染缓解措施的相关政府法令之间的每一个时间间隔中，模型的适应提供了短期预测和对基本再生产数的不断更新的评估。
2021-02-19 q-bio.PE stat.AP
Is the epidemic spread related to GDP? Visualizing the distribution of COVID-19 in Chinese Mainland
于二零一九年十二月，中国湖北省武汉市发现COVID-19。SARS-CoV-2在中国春运期间迅速蔓延到整个中国大陆。截至二零二零年二月十九日，中国大陆已报告74 576例COVID-19确诊病例。什么样的城市确诊病例比较多，GDP和确诊病例有没有关系？在这项研究中，我们探索了新冠肺炎确诊病例与地级GDP之间的关系，发现两者之间呈正相关关系。这一发现警告说，当疫情爆发时，高GDP地区应该付出更多的预防和控制努力，因为它们比附近的其他地区有更大的风险。
2020-04-09 physics.soc-ph q-bio.PE
A Mathematical Dashboard for the Analysis of Italian COVID-19 Epidemic Data
2019冠状病毒病疫情的分析建议基于epiMOX仪表板（可于https://www.epimox.polimi.it公开查阅），该仪表板处理自二零二零年二月下旬起意大利的疫情趋势及爆发数据。我们的分析通过几个关键的流行病指标促进对现有数据的更深入解释，从而提供了对过去流行病发展及其当前趋势的直接评价。此外，我们使用基于流行病学分区模型的预测工具（名为SUIHTER）补充epiMOX仪表板，用于预测近期的流行病演变。
2021-05-24 cs.NA math.NA q-bio.PE
A data-driven analysis on the mediation effect of compartment models between control measures and COVID-19 epidemics
本文利用SEIR-QD仓室模型拟合127个国家/地区第一波COVID-19疫情数据，通过中介分析揭示仓室模型在控制措施与疫情动态之间的中介效应，并与线性和神经网络回归结果对比，深化了对控制措施强度与疫情动力学内在关联的理解。
2023-09-22 physics.soc-ph q-bio.PE
What can we learn from the dynamics of the Covid-19 epidemic ?
本研究针对Covid-19疫情准周期性暴发的机制展开，通过法德数据及时频分析发现2022年初暴发周期发生质性变化，验证后表明集群模型可合理解释观测模式，强调参数有限且可估的模型对探究疫情机制的重要性。
2023-10-03 physics.bio-ph q-bio.PE
Proposal of a recursive compartment model of epidemics and applications to the Covid-19 pandemic
这是正在进行的工作。我们让它变得容易访问，希望人们可能会发现这个想法有用。我们提出了一个离散的、递归的流行病传播的5-房室模型，我们称之为{ \em SEPIR-模型}。在COVID-19大流行通常符合的温和假设下，它可用于从与数据密切相关的少数参数重现疫情的发展。我们在德国和瑞士的发展中证明了这一点。它还允许模型预测假设几乎恒定的再生数。因此，它可能是一个有用的工具，可以说明哪些干预措施在未来可能最有效。在未来的工作中，我们将讨论该模型的其他方面和更多的国家。
2020-09-01 q-bio.PE q-bio.QM
A parsimonious description and cross-country analysis of COVID-19 epidemic curve
在特定国家，第一波COVID-19疫情的累计死亡人数随时间呈S形曲线。在大多数情况下，该曲线可以很好地用Gompertz函数来描述，该函数由两个基本参数来表征，即初始增长率和第一波流行病消退时的衰减率。这些参数是由社会经济因素和制止流行病的对策决定的。Gompertz模型意味着总死亡人数以指数方式依赖于这些比率之间的比率，因此非常敏感。在这个框架中，瑞典和挪威和许多其他国家的第一波流行病的显着不同的流行曲线进行了分类和讨论，并讨论了它们的有用性规划的缓解战略。
2020-08-06 physics.soc-ph q-bio.PE q-bio.QM
Using generalized logistics regression to forecast population infected by Covid-19
在这项工作中，提出了一个建议，预测人口使用广义Logistic回归曲线拟合。这种类型的曲线用于研究人口增长，在这种情况下是感染COVID-19病毒的人口;它也可以用于近似精算和类似研究中使用的生存曲线。
2020-04-06 math.OC q-bio.PE
An ARIMA model to forecast the spread and the final size of COVID-2019 epidemic in Italy
冠状病毒病（COVID-2019）是一种正在全球迅速蔓延的严重新型流行病。意大利被广泛认为是疫情的主要中心之一，至今已录得全球最高的COVID-2019死亡率及死亡人数。在这篇文章中，我估计了一个自回归综合移动平均（ARIMA）模型，通过使用意大利国家和地区层面的流行病学数据来预测2020年4月4日之后的流行趋势。该数据指的是意大利卫生部（www.salute.gov.it）在2020年2月20日至4月4日期间正式登记的每日确诊病例数。这种模式的主要优点是易于管理和适应。此外，它可以通过提出假设的流行病的拐点和最终规模，初步了解基本趋势。
2020-04-06 q-bio.PE stat.AP
A vector logistic dynamical approach to epidemic evolution on interacting social-contact and production-capacity graphs
个体社会接触网络和个体感染恢复率的变化所表现的群体不均匀性，使得传染病传播动力学具有不确定性。因此，覆盖经济生产网络及其适当的协作组件在某种程度上受到不可预测的影响。我们的模型提出了一个“矢量逻辑”的动态方法SIS动态的社会联系网络与其经济能力网络的互动。向量逻辑描述中的图状态的概率解释提供了一种方法来评估被感染者的平均值和方差对生产能力的影响，并允许社会连接调节的战略规划。根据“累积”、“多数”和“脆弱性”代用指标评估了流行病的平均效应和波动对生产能力的影响。
2021-08-31 physics.soc-ph q-bio.PE
Periodic recurrent waves of Covid-19 epidemics and vaccination campaign
虽然了解新冠肺炎疫情的周期性复发波将有助于抗击大流行病，但缺乏对疫情爆发后两年期间数据的定量分析。Covid-19复发波的复杂性与i）为减缓流行病传播而实施的遏制措施ii）病毒基因突变率及iii）通过接种疫苗实施的宿主可变免疫反应的同时作用有关。这项工作的重点是大规模疫苗接种和基因变异对复发波的影响，在一个有代表性的国家实施缓解和疫苗接种战略的情况下。传播速率是通过繁殖数Rt（t）和倍增时间Td（t）之间的比率（称为RIC指数）和每日死亡数来衡量的。通过小波分析研究了Covid-19流行病的动态，并用3D空间中的非线性螺旋涡表示，其中RIC指数和死亡人数都随时间变化。周期性回归波的开始已被确定的过渡从收敛到发散轨迹的螺旋涡。我们报告了120天的复发波的主要时期和疫苗接种运动后这一时期的延长
2022-06-07 physics.soc-ph q-bio.PE
Inversion of a SIR-based model: a critical analysis about the application to COVID-19 epidemic
利用COVID-19大流行病的官方国际数据校准SIR（易感-感染-传播）模型提供了一个很好的例子，说明了逆问题解决方案固有的困难。逆建模是建立在离散反问题的框架，明确考虑的作用和数据的相关性。结合模型的物理特性，本文讨论了SIR模型参数的数值校准问题，讨论了国际权威机构提供的数据中的不确定性，它们如何影响校准模型参数的可靠性，并最终影响模型预测的可靠性。
2020-06-08 physics.soc-ph q-bio.PE
Superposition of waves for modeling COVID-19 epidemic in the world and in the countries with the maximum number of infected people in the first half of 2020
2020年上半年，基于逻辑离散方程系统，对全球及美国、巴西、俄罗斯、印度等感染人数最多的国家进行了COVID-19疫情传播的数学建模。结果表明，对于采取强限制措施的国家，COVID-19的传播符合一个容量较小的单波，而对于违反限制措施的一些国家，疫情的传播符合一个波叠加。对于人口混合较多的国家来说，今天的疫情传播也符合单一浪潮，但具有巨大的容量值（巴西-8 000万人，印度-4 000万人）。我们估计，当今世界的流行病传播可分为5波。前两波是由中国的疫情传播引起的（第一波-在武汉），第三波-由欧洲国家的疫情传播引起的，第四波主要是由俄罗斯和美国的疫情传播引起的，第五波主要是由拉丁美洲和南亚的疫情传播引起的。这是第五波，导致冠状病毒疫情COVID-19的传播进入新阶段，感染人数增加超过10万居民。对于所有研究的国家和世界，对于每个叠加波，计算波容量和增长指标。确定波的局部峰值及其结束时间。这是第五波导致COVID-19传播进入新阶段的事实，感染人数增加超过10万居民。对于所有被检查的国家和整个世界，对于每个叠加波，我们计算了波容量和感染者增长指数。
2020-07-05 physics.soc-ph q-bio.PE
Common trends in the epidemic of Covid-19 disease
SARS-CoV-2的发现引发了全球健康问题，许多国家受到影响。开发能够解释这一流行病并提供共同趋势参数的模型，有助于处于这一流行病早期阶段的其他国家进行预测，也有助于今后规划防治病毒性呼吸道疾病。一个模型用于解释流行病的快速增长阶段，另一个模型用于解释整个数据集。这两种模型都与数据相当吻合。第一个模型表明，在快速阶段，新感染病例的数量取决于病例总数的幂律关系，标度指数等于0.82。第二个模型给出了在流行病开始早期1至3天范围内的复制时间，以及另一个参数α = 0.1-0.5），该参数使流行病的进展偏离指数增长。我们的模型可用于数据解释和指导有关这种疾病的预测，例如新病例数量的最大值。
2020-06-10 physics.bio-ph q-bio.PE
A Data-Driven Network Model for the Emerging COVID-19 Epidemics in Wuhan, Toronto and Italy
持续的2019冠状病毒病（COVID-19）大流行威胁人类健康并造成巨大经济损失。建立预测模型和预测流行趋势对于制定缓解这一流行病的对策至关重要。我们开发了一个网络模型，其中每个节点代表一个个体，边缘代表感染可能传播的个体之间的接触。这些人根据他们每天接触的人数（他们的节点程度）和他们的感染状态进行分类。使用马尔可夫链蒙特卡罗（MCMC）优化算法，将传播网络模型分别拟合到武汉（中国）、多伦多（加拿大）和意大利共和国的COVID-19疫情报告数据。我们的模型很好地拟合了这三个地区，置信区间很窄，可以适用于模拟其他特大城市或地区。关于遏制战略作用的模型预测可帮助公共卫生当局规划控制措施。
2020-05-28 physics.soc-ph q-bio.PE
Rational evaluation of various epidemic models based on the COVID-19 data of China
基于赤池信息量准则、均方根误差和鲁棒系数，对7种经验函数、4种统计推断方法和5种动力学模型的预测能力进行了合理的评价。对于中国COVID-19疫情的爆发数据，我们发现在拐点之前，所有模型都无法做出可靠的预测。Logistic函数始终低估了最终的流行规模，而Gompertz函数在所有情况下都高估了。在统计推断方法中，序贯贝叶斯方法和时间依赖的再生数方法在流行后期更准确。而指数增长法关于拐点的从低估到高估的过渡性行为可能有助于构造更可靠的预测。与基于ODE的SIR、SEIR和SEIR-AHQ模型相比，SEIR-QD和SEIR-PO模型在研究COVID-19疫情方面总体表现出更好的性能，我们认为其成功可归因于模型复杂性和拟合精度之间的适当权衡。我们的发现不仅对COVID-19疫情的预测至关重要，而且可能适用于其他传染病。
2021-09-15 math.DS q-bio.PE q-bio.QM
Epidemic Models for COVID-19 during the First Wave from February to May 2020: a Methodological Review
我们回顾了2019冠状病毒病疫情爆发前几个月（2020年2月至5月）传播的流行病学模型。其目的是提出一个方法审查，突出了以下特点：（一）流行病传播模型，（二）干预战略的建模，（三）模型和流行病参数的估计程序和（四）所使用的数据的特点。根据理论背景、可重复性、干预策略的纳入等标准，最终从开放获取数据库中筛选出80篇文献。主要结果为现象学、房室模型和个体水平模型。提出了一种包括在线表单、Kibana界面和Markdown文档的数字伴侣。最后，这项工作提供了一个见证科学界如何应对这种独特情况的机会。
2021-09-03 q-bio.PE stat.AP
Interplay of social distancing and border restrictions for pandemics (COVID-19) via the epidemic Renormalisation Group framework
我们证明，流行病重新正常化组的方法，大流行病提供了一个有效的和简单的方法来调查疾病传播的动态和世界不同地区的蔓延。该框架还允许对旅行限制和社交距离措施对全球流行病传播的影响进行可靠预测。我们在报告的病例上测试和校准它，同时揭示了全球不同地区新感染病例相对高峰延迟的机制。我们发现，在推迟疫情高峰方面，社交距离措施比跨境旅行限制更有效。我们还提供了与房室模型的链接，例如简单的和历史悠久的类SIR模型。我们还展示了如何概括的框架，以占世界上几个地区的相互作用，取代或补充大规模的模拟。
2020-05-11 physics.soc-ph q-bio.PE
Modelling provincial Covid-19 epidemic data in Italy using an adjusted time-dependent SIRD model
在本文中，我们使用意大利卫生部的官方数据，结合从地区当局每日官方新闻发布会和当地报纸网站提取的数据，开发了一个意大利省级（即欧盟NUTS-3）COVID-19感染传播的预测模型。该整合主要涉及COVID-19导致的特定死亡数据，这些数据在NUTS-3级别无法从公开的官方数据渠道获得。一个调整后的时间依赖SIRD模型被用来预测流行病的行为，特别是易感，感染，死亡和康复的人数。预测模型的性能进行评估，使用与实际数据的比较。
2020-06-02 physics.soc-ph q-bio.PE stat.AP
Control Strategies for COVID-19 Epidemic with Vaccination, Shield Immunity and Quarantine: A Metric Temporal Logic Approach
自COVID-19疫情爆发以来，针对冠状病毒SARS-CoV-2提出并测试了各种公共卫生控制策略。我们研究了三个特定的COVID-19流行病控制模型：接种疫苗控制的易感、暴露、传染、恢复（SEIR）模型;屏蔽免疫控制的SEIR模型;以及检疫控制的易感、未检疫感染、检疫感染、确认感染（SUQC）模型。我们表达的控制要求在度量时序逻辑（MTL）公式（一种形式化的规范语言），它可以指定预期的控制结果，如“感染的死亡人数不应该超过一千人，每天在未来三个月内”或“人口免疫的疾病应该最终超过20万在未来100至120天”。然后，我们开发的方法与MTL规范合成控制策略。据我们所知，这是第一篇基于具有正式规范的COVID-19流行病模型系统综合控制策略的论文。我们提供了三个不同案例研究的模拟结果：COVID-19疫情的疫苗接种控制，模型参数根据意大利伦巴第的数据估计; COVID-19疫情的屏蔽免疫控制，模型参数根据意大利伦巴第的数据估计; COVID-19疫情的检疫控制，模型参数根据中国武汉的数据估计。结果表明，所提出的综合方法可以生成控制输入，使得每个类别中的时变个体数量（例如，感染性、免疫性）符合MTL规范。研究结果亦显示，早期干预对减缓COVID-19的传播至关重要，而更严格的MTL规范需要更多的控制工作。
2020-08-13 cs.SY eess.SY math.OC
Fractional-order SEIQRDP model for simulating the dynamics of COVID-19 epidemic
新型冠状病毒病（COVID-19）被称为肺炎疫情的致病病毒，最初于2019年12月下旬在中国大陆发现。COVID-19蔓延至世界多个国家，每日病例数持续快速增加。为了模拟、跟踪和预测病毒传播的趋势，已经开发了几种数学和统计模型。易感-暴露-隔离-隔离-死亡-不易感（SEIQRDP）模型是已被提出用于估计COVID-19传播率的最有前途的动态系统之一。在本研究中，我们提出了一个分数阶SEIQRDP模型来分析COVID-19疫情。分数阶范式为流行病增长特征描述提供了一个灵活、适当和可靠的框架。分数阶算子实际上是不考虑局部变量和记忆的。因此，它考虑了确诊和痊愈病例增长的次扩散过程。使用真实的COVID-19数据对模型进行验证的结果，并讨论了所提出的模型分析，理解和预测疫情的相关性。
2020-06-08 cs.SY eess.SY q-bio.PE
Estimating, Monitoring, and Forecasting the Covid-19 Epidemics: A Spatio-Temporal Approach Applied to NYC Data
我们提出了一个SEIR类型的元种群模型来模拟和监测COVID-19疫情的演变。基本模型由七个部分组成，即易感（S）、暴露（E）、三个感染类别、恢复（R）和死亡（D）。我们在m个不同的空间位置为n个年龄和性别组定义这些隔间。因此，对于每个年龄组，性别和地点，所产生的模型具有所有流行病学类。它们之间的混合是通过依赖于时间的感染率矩阵来完成的。该模型使用纽约市及其行政区每日新增感染的曲线进行校准，包括人口普查数据，以及每个年龄段的感染，住院和死亡比例。我们最终得到了一个模型，该模型与报告的曲线相匹配，并准确预测了不同地区和年龄段的感染信息。
2020-11-17 physics.soc-ph q-bio.PE
Optimal epidemic control by social distancing and vaccination of an infection structured by time since infection: the covid-19 case study
针对按感染后时间结构化的COVID-19传播，本文结合分阶段可用的社交距离与疫苗接种建立最优控制模型，证明最优控制对存在并给出必要条件及解的性质。
2024-05-10 math.AP math.OC q-bio.PE
Time, Space and Social Interactions: Exit Mechanisms for the Covid-19 Epidemics
我们开发了一个极简房室模型，以研究新冠肺炎疫情期间意大利流动限制的影响。我们发现，早期封锁会使疫情在时间上发生变化，而超过封锁强度的临界值，疫情往往会在解除限制后重新开始。因此，必须采取具体的缓解战略。我们的特点是不同的广泛战略的相对重要性，占异质性的两个基本来源，即地理和人口。首先，我们认为意大利各地区作为独立的行政实体，在其中发生的年龄阶层之间的社会互动。由于区域间流动矩阵稀疏，一旦开始，流行病往往在各地区独立发展，因此有理由采取针对个别区域或区域集群的解决办法。其次，我们表明，年龄阶层之间的社会联系发挥着根本性的作用，并考虑到人口的年龄结构的措施可以提供一个显着的贡献，以减轻反弹效应。我们的模型是通用的，虽然它没有分析具体的缓解策略，但它突出了一些关键参数对流行病非药物缓解机制的相关性。
2021-02-04 physics.soc-ph q-bio.PE
Forecast analysis of the epidemics trend of COVID-19 in the United States by a generalized fractional-order SEIR model
本文提出了一种广义分数阶SEIR模型，记为SEIQRP模型，该模型对未来可能爆发的COVID-19等传染病和其他昆虫疾病的预测具有基本的指导意义。首先，分析了模型的一些定性性质。导出了基本再生数$R_{0}$。当$R_{0}<1$时，无病平衡点是唯一的，并且是局部渐近稳定的。当$R_{0}>1$时，地方病平衡点也是唯一的。进一步，给出了无病平衡点和地方病平衡点局部渐近稳定的条件。对COVID-19在美国的传播趋势进行了预测。考虑到个人行为和政府缓解措施的影响，提出了一种改进的SEIQRP模型，定义为SEIQRPD模型。根据美国的真实数据，发现我们的改进模型对未来两周的疫情趋势有更好的预测能力。据此，对美国未来两周的疫情趋势进行了调查，并对隔离病例高峰进行了预测。修正后的SEIQRP模型成功捕捉到COVID-19的发展过程，为了解疫情发展趋势提供了重要参考。
2020-04-29 math.DS q-bio.PE
Likelihood-Free Dynamical Survival Analysis Applied to the COVID-19 Epidemic in Ohio
动态生存分析（DSA）是一个基于平均场动态的流行病建模框架，适用于个人（代理）水平的感染和恢复历史。最近，DSA已被证明是一个有效的工具，在分析复杂的非马尔可夫流行病的过程，否则难以处理使用标准方法。DSA的优点之一是它以简单但不显式的形式表示典型的流行病数据，其中涉及某些微分方程的解。在这项工作中，我们描述了一个复杂的非马尔可夫DSA模型可以应用到一个特定的数据集的帮助下，适当的数值和统计方案。这些想法是用俄亥俄州COVID-19疫情的数据例子来说明的。
2022-07-31 math.AP math.DS physics.soc-ph
Analysis of COVID-19 in India using vaccine epidemic model incorporating vaccine effectiveness and herd immunity
尽管我们手头有一些疫苗，但COVID-19将继续对人类构成威胁，直到我们通过自然群体免疫和通过全民接种实现全面免疫达到地方病状态。然而，疫苗作为一种实用工具，可减少持续的COVID-19疫情在全球范围内造成的大规模公共卫生问题和新出现的经济后果，而疫苗效力正在减弱。本文提出并分析了一个考虑疫苗接种率和疫苗衰减率的SEIRV流行病模型。研究了该模型的动力学性质，得到了无病平衡态的条件。此外，该分析扩展到研究COVID-19在印度的传播，考虑疫苗的可用性和相关的关键参数，如疫苗接种率，疫苗有效性和疫苗对决定这一流行病的新兴命运的影响减弱。我们还讨论了人民中接种疫苗的个人产生群体免疫的条件。我们的研究结果强调了疫苗的重要性，加强疫苗接种在保护人们免受感染方面的有效性，以及它们在流行病和大流行病建模中的重要性。
2022-08-25 nlin.AO physics.soc-ph q-bio.PE
Quantifying efficiency gains of innovative designs of two-arm vaccine trials for COVID-19 using an epidemic simulation model
流行病期间的疫苗临床试验面临着特殊的挑战，例如快速确定有效疫苗以控制流行病的压力，以及时空变化的感染发生率对试验效力的影响。我们说明了如何使用网络流行病和试验模拟模型，基于COVID-19和具有二元结局的单独随机化双臂试验，评估不同试验设计元素的操作特征。我们表明，如果观察到的病例有足够多的接触者处于高风险，那么优先考虑感染高风险参与者的“环形”招募策略可以大幅提高力量。此外，我们还引入了一种新方法，以更有效地利用试验中观察到的最早感染病例的数据，这些病例的感染可能还为时过早，无法通过疫苗预防。最后，我们比较了几种方法的反应自适应随机化，讨论了它们的优点和缺点，在这两个手臂的情况下，并确定特定的适应策略，保持功率和估计属性，同时稍微减少感染的数量，给出了一个有效的疫苗。
2021-05-20 q-bio.PE stat.AP
