Stochastic approach to study control strategies of Covid-19 pandemic in India
印度是目前受新型冠状病毒疫情影响最严重的国家之一。我们研究了印度Covid-19患者的公开数据，并在SEQIR模型的随机框架内分析了隔离和社交距离的可能影响，以说明大流行的控制策略。我们的模拟结果清楚显示，适当的隔离及社交距离应在疫情开始时尽早维持，并应持续至疫情结束，以有效控制疫情。这就要求今后在这方面建立一种更有社会纪律的生活方式。在系统动力学中非常明显的人口随机性在调控和控制流行病方面具有关键作用。
2020-06-11 physics.soc-ph q-bio.PE
Dynamics of the COVID-19 pandemic in India
了解COVID-19大流行的动态对改善控制和社交距离策略至关重要。为此，我们采用了易感染-暴露-感染-康复模型，并根据印度喀拉拉邦、德里、马哈拉施特拉邦和西孟加拉邦以及整个印度的接触者追踪和住院数据进行了改进。我们已经进行了敏感性分析，以确定最关键的输入参数，我们已经校准了模型，以尽可能最好地描述数据。短期预测显示，所有四个省和整个印度的COVID-19病例呈增加和令人担忧的趋势，而长期预测也揭示了振荡动态的可能性。因此，我们的研究留下了COVID-19可能成为季节性事件的选择。我们还模拟和讨论了媒体对COVID-19疫情动态的影响。
2021-01-12 physics.soc-ph q-bio.PE
Impact studies of nationwide measures COVID-19 anti-pandemic: compartmental model and machine learning
在本文中，我们研究了全国范围内抗疫措施的影响。我们推动两个流程来分析COVID-19数据，并考虑措施。我们将全国范围内的测量水平与模型的接触率相关的参数值相关联。然后，一个参数的解决方案，相对于这些参数的措施，显示了不同的可能性的演变的流行病。两个机器学习工具被用来预测大流行病的演变。最后，我们展示了确定性和两个机器学习工具之间的比较。
2020-08-09 physics.soc-ph q-bio.PE stat.ML
The SHIR Model: Realistic Fits to COVID-19 Case Numbers
我们考虑一个全球（独立于地点）流行病增长模型，该模型概括了SIR模型，以适应COVID-19流行病的重要特征，特别是实施流行病减少措施。这种“SHIR”模型被应用于COVID-19数据，并显示出作为一种简单、易于处理的形式主义的希望，其参数很少，可用于对大流行病例数进行建模。作为一个例子，我们表明，来自15个中欧和西欧国家的每日新冠肺炎病例的平均时间依赖性与模型的分析，无参数预测非常一致
2020-07-28 physics.soc-ph q-bio.PE
Second wave COVID-19 pandemics in Europe: A Temporal Playbook
第二波大流行病对社会构成迫在眉睫的威胁，可能造成巨大的生命损失和毁灭性的经济影响。我们采用流行病重新正常化组方法，结合COVID-19的第一波数据，有效地模拟疾病在不同欧洲国家的传播和传播动态。该框架使我们不仅可以模拟欧洲边境控制的影响，还可以模拟社会距离对每个国家的影响。我们进行统计分析，平均在欧洲和世界其他地区的人类互动的不同水平。我们的结果以动画形式简洁地概括，报告欧洲COVID-19大流行第一波和第二波的时间演变。政府、金融市场、行业和公民个人可以利用我们的第二波大流行的时间剧本，有效地安排时间，准备和实施地方和全球措施。
2020-07-26 physics.soc-ph q-bio.PE
Models for COVID-19 Pandemic: A Comparative Analysis
Chalmers University（查尔姆斯大学）；Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系）
COVID-19疫情代表了过去100年来前所未有的全球健康危机。它对经济、社会和健康的影响继续增长，最终可能成为自1918年大流行和世界大战以来最严重的全球灾难之一。数学模型在当前的危机中发挥了重要作用;它们被用来为公共政策提供信息，并在世界各地制定的许多社会距离措施中发挥了重要作用。在这篇文章中，我们回顾了一些重要的数学模型，用于支持正在进行的规划和响应工作。这些模型在它们的用途、数学形式和范围上有所不同。
2020-09-21 cs.AI q-bio.PE
Modeling the effect of the vaccination campaign on the Covid-19 pandemic
Harvard University（哈佛大学）
全民接种疫苗与限制性和预防性措施相结合，对遏制SARS-CoV-2（Covid-19）大流行至关重要。在这项研究中，我们引入了SAIVR，这是一个数学模型，能够预测疫苗接种活动期间的COVID-19疫情演变。SAIVR通过考虑无症状（A）和疫苗接种（V）区室扩展了广泛使用的易感-感染-去除（SIR）模型。该模型包含几个参数和初始条件，估计采用半监督机器学习过程。在训练一个无监督的神经网络来求解SAIVR微分方程后，一个有监督的框架然后估计最适合27个国家最近感染曲线的最佳条件和参数。在这些结果的指导下，我们对大流行在不同的每日推广率、疫苗效力和广泛的社会疫苗犹豫/拒绝水平下的时间演变进行了广泛的研究。通过研究涉及不同疫苗接种工作和更具传染性的Covid-19变体的未来情景，群体免疫的概念受到质疑。
2021-08-27 cs.LG q-bio.PE
Mathematical Models for Describing and Predicting the COVID-19 Pandemic Crisis
本文研究了描述新型冠状病毒大流行危机的两个确定性模型SIR模型和SEIR模型的扩展。对这些模型进行了研究，并与实际数据进行了比较，以支持每种描述的有效性，并提取有关大流行病的重要信息，如基本再生数R0，这可能提供有关每个模型预测的大流行病增长率的有用信息。接下来，我们将继续进行预测，并将SEIR模型和SIRD模型衍生的更复杂的模型进行比较，以找到最适合描述和预测大流行危机的模型。旨在回答这个问题，如果简单的SIRD模型是能够作出可靠的预测，并提供适当的信息相比，更复杂的模型。
2020-06-03 physics.soc-ph q-bio.PE
Excess registered deaths in England and Wales during the COVID-19 pandemic, March 2020 to May 2020
官方对COVID-19死亡人数的统计受到批评，因为其中可能包括未死于COVID-19而只是死于COVID-19的人。我通过将广义可加模型拟合到2010年代英格兰和威尔士登记的所有死亡人数的每周计数来解决这一批评。该模型产生了在没有COVID-19大流行的情况下预期的死亡登记基线率，并将该等基线与最近的登记死亡人数进行比较，揭示了2020年3月下旬出现的超额死亡人数。截至4月底，英格兰和威尔士登记了45，300例$\pm$ 3200例45岁以上成年人的超额死亡。截至5月22日，即所有死亡数据的最后一天，登记了56 600名$\pm$ 4 400人（其中约53%为男性）。国家统计局相应的43，205份死亡证明中提到了COVID-19，以及卫生和社会护理部的33，671例死亡人数，都明显较少，这意味着他们的计算方法低估了，而不是高估了大流行的真实死亡人数。如果漏报率在5月份保持稳定，那么截至5月底，可能已经登记了约59，000例直接和间接的COVID-19死亡，但尚未全部公开报告。
2020-06-02 q-bio.PE stat.AP
Global analysis of the COVID-19 pandemic using simple epidemiological models
在这项工作中使用了几个分析模型来描述冠状病毒（COVID-19）引起的死亡病例的演变。死亡或“D”模型是SIR（易感染-感染-恢复）模型的简化版本，该模型假设随着时间的推移没有恢复，并允许解析求解传播动力学方程。D模型可以扩展到描述不同的感染焦点，这可以解释最初的大流行（D1），封锁（D2）和其他影响（Dn）。2019冠状病毒病疫情在多个国家（中国、西班牙、意大利、法国、英国、伊朗、美国及德国）的演变显示出与D模型趋势一致的类似行为，其特征是死亡病例迅速增加，随后缓慢下降，这受到封锁效应的早期和效率的影响。这些结果与使用扩展SIR模型的更精确计算结果一致，该模型具有参数化解决方案和更复杂的Monte Carlo网格模拟，预测了类似的趋势，并表明了具有通用参数的流行病的共同演变。
2020-05-14 physics.soc-ph q-bio.PE
Forecasting COVID-19 Pandemic in Mozambique and Estimating Possible Scenarios
COVID-19目前是本世纪最大的流行病危机，全球登记病例超过1600万例。非洲国家现在已开始登记越来越多的病例，但针对具体非洲国家开发的模式并不多。在我们的研究中，我们使用一个简单的SEIR模型来评估和预测未来的情况下，在莫桑比克的大流行危机。我们比较了不同政策对感染曲线的影响，并估计了当前感染再生数Rt和增长率g等流行病学参数。我们已经发现了一个较低的Rt值，范围从1.11至1.48和一个积极的增长率，g = 0.22至0.27之间。我们的模拟还表明，封锁显示出将感染高峰高度平均降低28%的潜力，范围从20%到36%不等。
2020-07-28 physics.soc-ph q-bio.PE
Phenomenological dynamics of COVID-19 pandemic: meta-analysis for adjustment parameters
我们提出了一个处理11个不同国家的政府卫生机构提供的COVID-19数据的现象学程序。而不是使用（精确或近似）的解决方案的SIR（或其他）模型（S），以适应数据，通过调整这些模型中包含的时间无关的参数，我们引入动力学参数的时间依赖性可能是现象学获得充分外推的一个选定的子集，每天提供的数据。这种现象学方法非常有效，可以及时适当调整我们所考虑的国家的感染（和清除）人数。此外，它可以处理一些国家可能经历的亚流行病事件。通过这种方式，我们可以在不使用任何基于微分方程的先验模型的情况下获得大流行病的演变。
2020-06-25 physics.soc-ph q-bio.PE
Modeling COVID-19 pandemic with financial markets models: The case of Jaén (Spain)
这项工作的主要目的是测试金融市场通常使用的一些随机模型是否可以应用于COVID-19疫情。为此，我们实施了ARIMAX和Cox-Ingersoll-Ross（CIR）模型，这些模型最初是为利率定价而设计的，但我们将其转化为预测工具。对于后者，我们表示为CIR*，使用Euler-Maruyama方法和Milstein方法。用最大似然法得到的预测已用95%的置信区间和拟合优度的统计措施，如均方根误差（RMSE）加以验证。我们证明，所获得的结果的准确性是一致的观察和足够准确的点，建议的CIR* 框架可以被认为是一个有效的替代经典的ARIMAX模型流行病。
2023-01-20 q-bio.PE q-fin.MF
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
Quickest Detection and Forecast of Pandemic Outbreaks: Analysis of COVID-19 Waves
截至二零二零年十二月，COVID-19疫情已在全球范围内造成逾170万人死亡，并令全球最先进的医疗系统承受沉重压力。在许多国家，政治当局采取的严厉限制措施，如全国封锁，并没有阻止新的大流行浪潮的爆发。在这篇文章中，我们提出了一个综合的检测-估计-预测框架，该框架使用公开可用的数据，旨在：（i）了解大流行的相关特征（例如，感染率）;（ii）尽快发现传染病指数增长的开始（或结束）;及（iii）可靠地预测大流行病的演变。通过分析美国的COVID-19第二波和第三波，验证了所提出的解决方案。
2021-04-21 eess.SP physics.soc-ph q-bio.PE
COVID-19 Heterogeneity in Islands Chain Environment
随着二零二一年的到来，COVID-19大流行仍然肆虐，疫苗终于出现，恢复正常的希望开始实现。从大流行第一年的数据中可以学到很多东西，这些数据可能仍然适用于未来的流行病和可能的大流行病。由于病毒株只有微小的变异，乍一看，全球各国都遭受了大致相同的大流行，但很少有地方表现出与夏威夷州相同的病毒传播，生长和控制模式。在本文中，我们检查了数据，比较了夏威夷各县之间的COVID-19传播统计数据，并检查了几个与夏威夷属性相似的地点。
2021-02-12 q-bio.PE q-bio.QM
Policy lessons from the Italian pandemic of Covid-19
本文分析意大利五波疫情管理，指出CTS构成缺乏数学专家、政治干预、疫苗初期忽视年龄及大量未接种人群等关键问题，并总结政策教训。
2023-05-14 physics.soc-ph q-bio.PE
On the interplay between mobility and hospitalization capacity during the COVID-19 pandemic: The SEIRHUD model
减少COVID-19疫情影响的措施需要后勤、政治和社会能力的组合。各国采取了不同的办法来提高住院能力或适当实行封锁。为了更好地了解这些措施的影响，我们开发了一个分区模型，一方面可以校准不同地区内和不同地区之间人员流动的减少，另一方面它包含了住院动态，区分了感染者可以接受的治疗种类。通过界定住院能力，我们能够详细研究流动性和住院能力之间的相互作用。
2020-06-11 physics.soc-ph q-bio.PE
Evaluation of non-pharmaceutical interventions and optimal strategies for containing the COVID-19 pandemic
鉴于多种新型COVID-19变种不断出现，非药物干预仍然是遏制冠状病毒进一步传播的主要控制策略。然而，长期实施严格的干预措施不可避免地会损害经济。为了解决这一多目标决策问题，我们研究了政策，移动模式和病毒传播之间的潜在关联。我们进一步评估现有COVID-19控制措施的相对表现，并探索可在美国各州的公共卫生与社会经济复苏之间取得适当平衡的潜在最佳策略。研究结果强调了宣布紧急状态和佩戴口罩的力量，并强调了针对流行病传播的不同状态和阶段采取定制战略的必要性。我们的框架使政策制定者能够制定更精细的COVID-19战略设计，并可以扩展到向任何国家的政策制定者提供有关大流行应对的最佳实践的信息。
2022-02-28 cs.CY q-bio.PE
Comparative prediction of confirmed cases with COVID-19 pandemic by machine learning, deterministic and stochastic SIR models
在本文中，我们提出了一种机器学习技术和SIR模型（确定性和随机情况）与数值近似来预测感染COVID-19的病例数，无论是在几天内还是在接下来的三周内。与[1]一样，基于[2]的公开数据，我们估计参数并进行预测，以帮助找到控制局势的具体行动。乐观估计，部分国家的疫情将很快结束，而对全球大部分国家而言，抗疫的冲击不会迟于5月初。
2020-04-24 math.OC q-bio.PE stat.ML
Analysis of the COVID-19 pandemic by SIR model and machine learning technics for forecasting
本研究尝试提出SIR模型与机器学习工具来分析现实世界中的冠状病毒大流行。基于\cite{datahub}的公开数据，我们估计了主要的关键流行参数，并对现实世界（特别是塞内加尔）的拐点和可能的结束时间进行了预测。2019年，世界卫生组织的冠状病毒病在整个中国迅速蔓延，然后蔓延到整个世界。乐观估计，部分国家的疫情将很快结束，而世界上大部分国家（美国、意大利等），抗疫的冲击不会迟于四月底。
2020-04-03 math.OC q-bio.PE stat.ML
Using mobility data in the design of optimal lockdown strategies for the COVID-19 pandemic
提出了一个新冠肺炎疫情传播的数学模型，该模型将年龄结构的易感-暴露-死亡动态与考虑人口流动性的真实手机数据相结合。通过近似贝叶斯计算进行动态模型调整。基于非线性模型预测控制确定最佳封锁和退出策略，并限制公共卫生和社会经济因素。通过广泛的计算验证的方法，它表明，它是可以计算出强大的退出战略与现实的减少流动性值，以告知公共政策的制定，我们使用来自英国和法国的数据集验证的方法的适用性。实现所描述的实验的代码可在https://github.com/OptimalLockdown获得。
2020-10-18 physics.soc-ph q-bio.PE stat.AP
Quickest Detection of COVID-19 Pandemic Onset
本文开发了一个易于实现的版本页的快速检测测试，旨在工作在某些复合假设的情况下随时间变化的数据统计。决策统计量可以以递归形式进行转换，特别适合于在线分析。通过对公开的COVID-19数据进行回溯测试，我们发现了可靠的感染爆发早期预警，事实上，该工具可能对决策者在未来可能需要采取的限制性措施的时间方面有用。
2021-04-20 eess.SP physics.soc-ph q-bio.PE
Adjoint-based Data Assimilation of an Epidemiology Model for the Covid-19 Pandemic in 2020
数据同化用于将经典流行病学模型与约翰霍普金斯大学的Covid-19大流行数据进行最佳拟合。优化是基于确诊病例和确诊死亡病例。这是唯一具有合理准确性的可用数据。从模型和模型参数可以推断感染率和恢复率。这些参数可以与政府行动或假期结束等事件联系起来。根据这些数字，可以对未来进行预测，并指定控制目标。换句话说：我们寻找一个给定模型的解决方案，它在最佳意义上适合给定的数据。有了这个解决方案，我们就有了所有的参数。
2020-03-29 cs.NA math.NA math.OC
Temporal and spatial evolution of the distribution related to the number of COVID-19 pandemic
该工作基于全球200多个国家于二零二零年四月至二零二二年六月期间的累计及每日确诊COVID-19病例及死亡人数，系统地进行数据分析。该研究旨在揭示COVID-19大流行中观察到的国家级分布的时间和空间演变，并获得了以下一些有趣的结果。(1)累计确诊病例数和死亡人数的分布在COVID-19的早期阶段服从幂律，在随后的过程中服从拉伸指数函数。(2)每日确诊病例数和死亡人数在COVID-19早期和晚期服从幂律分布，在中期服从拉伸指数函数分布。幂律和拉伸指数行为之间的交叉区域似乎取决于“感染”事件和“死亡”事件的演变。这种观察暗示了一种与COVID-19传播动力学过程相关的重要对称性。(3)各指标的归一化数的分布在2年内表现出时间尺度行为，并可用拉伸指数函数来描述。在这种国家一级的分布中观察到的幂律和拉伸指数行为表明，在人类相互联系的社会中，病毒传播过程的内在动力。因此，它对于理解和数学建模COVID-19大流行非常重要。
2022-08-23 physics.data-an physics.soc-ph q-bio.PE
