Examining the interactions between working from home, travel behavior and change in car ownership due to the impact of COVID-19
COVID-19扰乱了社会，改变了人们的学习、工作和生活方式。然而，2021年春季的疫苗供应，导致马萨诸塞州的许多大流行前活动在2021年秋季逐渐恢复。本研究利用2021年秋季在大波士顿地区使用基于地图的调查工具收集的数据，探讨COVID-19导致的旅行行为变化，并调查导致这些变化的潜在因素。首先，结构方程建模技术的开发，以捕捉各种出行选择，包括在家工作，出行方式的使用和汽车拥有量的变化之间的相互作用。此外，态度因素，如风险认知和态度WFH被纳入框架来解释行为的变化。其次，采用离散选择建模方法研究2021年秋季通勤模式选择的变化。结果显示，在2021年秋季，人们更倾向于使用汽车通勤，对于那些在疫情期间购买汽车的人来说，他们更倾向于在现场工作。我们的研究结果可以为规划者和政策制定者提供信息，作为后疫情时代旅行需求管理决策的基础。
2023-03-10 stat.AP
The impact of COVID-19, climate change and working from home on travel choices
COVID-19疫情改变了我们日常生活的各个方面，包括我们的出行和通勤方式。自疫情开始以来，在家工作已变得越来越受欢迎，即使COVID-19不再构成威胁，预计对许多人来说仍将是现实。减少通勤也可能对环境有益，因为人们将能够减少他们的总体旅行。在家工作可能是加速苏格兰政府“交通零任务”的机会，该任务旨在到2045年实现交通部门的脱碳，然而，实现这一目标还取决于恢复对公共交通的信心，公共交通在大流行期间的使用率大幅下降，并增加其他形式的可持续出行（例如，步行和骑自行车）。在这项研究中，我们使用2022年1月在苏格兰收集的调查数据（n= 1，050）调查了苏格兰居民气候变化和COVID-19感知的各个方面。对年龄和性别进行了严格的限制，以确保调查样本大致代表苏格兰人口。调查还包括一项离散选择实验，以调查在不同的在家工作和COVID-19风险情况下通勤出行的模式偏好。我们的研究结果表明，有些人仍然需要相信他们的旅行选择会对气候变化和传染病的传播产生影响。离散选择实验表明，无论在家工作的情况如何，使用汽车通勤都是相对一致的，然而，自行车在高在家工作的情况下变得更受欢迎。正如预期，随着COVID-19风险增加，公共交通的吸引力下降，私人模式变得更受欢迎。
2022-05-02 stat.AP
Breaking Down the Lockdown: The Causal Effects of Stay-At-Home Mandates on Uncertainty and Sentiments During the COVID-19 Pandemic
本文以2020年2月意大利突发封锁为准实验，利用Twitter文本和交错双重差分法评估居家令对公众不确定性与情绪的因果效应。
2023-06-01 cs.SI econ.GN q-fin.EC
The COVID-19 Pandemic, Community Mobility and the Effectiveness of Non-pharmaceutical Interventions: The United States of America, February to May 2020
背景资料：个别非药物干预措施（NPI），如全州范围内的居家令、学校关闭和集会规模限制，对COVID-19疫情的影响尚不清楚。了解上述NPI对疾病传播的影响对政策制定者至关重要，特别是在某些地区病例数再次增加的情况下。研究方法：使用贝叶斯框架，我们重建了发病率和随时间变化的生殖数（Rt）曲线，以研究Rt，Google社区移动报告测量的个人移动性和NPI之间的关系。结果如下：我们发现生殖数量和流动性之间存在很强的关系，与基线相比，流动性每下降10%，预计Rt会降低10.2%。随着时间的推移，限制聚会规模、学校和企业关闭以及呆在家里的订单的影响主要受趋势的影响，这与生育数量减少48%有关，对NPI进行了调整。结论：我们发现，与时间相关的流动性下降可能是由于个人改变他们的行为，以应对感知的风险或外部因素。
2020-07-09 q-bio.PE stat.AP
The Effects of the NBA COVID Bubble on the NBA Playoffs: A Case Study for Home-Court Advantage
由于COVID-19疫情，2020年NBA季后赛在迪士尼世界的泡沫中进行。这意味着没有球迷出席，比赛在中立球场进行，球队没有旅行，这在理论上消除了主场优势。这种设置引起了很多讨论，分析师和球迷争论它可能对游戏结果产生的影响。主场优势在历史上对NBA季后赛系列赛的结果起到了重要作用。2020年的季后赛提供了一个独特的机会，通过比较2020赛季和过去的赛季来研究泡沫和主场优势的影响。虽然许多因素都对比赛结果有影响，但得分是谁赢得比赛的决定性因素，因此得分是本研究的主要焦点。感兴趣的具体措施是球队得分总数和球队命中率的两分球，三分球，罚球。比较2020年与2017-2019年的主队和客队的这些指标表明，2020年季后赛比往常更有利于客队，特别是两分球和总得分。
2021-03-04 stat.AP
Hospital Capacity Planning Using Discrete Event Simulation Under Special Consideration of the COVID-19 Pandemic
TH Köln（科隆工业大学）；Bartz und Bartz GmbH（Bartz und Bartz有限公司）
我们为特别考虑COVID-19大流行的医院提供了一个资源规划工具，称为babsim.hospital。它为危机处理团队提供了许多优势，例如，与他们自己的当地规划进行比较，模拟当地事件，模拟几种情况（最坏/最好的情况）。这对医疗专业人员有好处，例如，在地方、地区、州和联邦一级分析大流行，考虑特殊风险群体，验证住院时间和转移概率的工具。最后，在行政、管理方面也有潜在的优势，例如，评估个别医院的情况，考虑当地事件，考虑相关资源，如床位、呼吸机、房间、防护服和人员规划，例如，医护人员。babsim.hospital以非常有效的方式结合了模拟、优化、统计和人工智能过程。其核心是一个离散的、基于事件的仿真模型。
2020-12-14 cs.AI stat.AP
Fitting a stochastic model of intensive care occupancy to noisy hospitalization time series during the COVID-19 pandemic
本文提出基于迁入-死亡过程的随机模型，利用公开住院与ICU床位占用时间序列估计入院和出院速率，并通过UCI数据验证其可靠性。
2023-07-17 stat.AP stat.ME
Deriving Duration Time from Occupancy Data -- A case study in the length of stay in Intensive Care Units for COVID-19 patients
Ludwig-Maximilians-Universität München（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文利用随机期望最大化算法和外生信息，从ICU占用数据中推断新冠患者平均停留时间。
2025-09-08 stat.AP
City-scale Simulation of Covid-19 Pandemic and Intervention Policies using Agent-based Modelling
在2019冠状病毒病大流行期间，世界各地的大多数政府都实施了封锁公共场所和限制人们行动等政策，以尽量减少病毒通过身体接触传播。然而，这些政策会造成严重的社会和经济代价，因此必须预先评估其影响。在这项工作中，我们的目标是可视化的流行病在不同的干预政策下，通过模拟居民的行为在一个城市的动态。我们为一个城市开发了一个非常详细的基于代理的模型，包括它的居民，物理和社会空间，如家庭，市场，工作场所，学校/学院等。我们证明，在适当选择参数的情况下，我们的模型能够重现在加尔各答观察到的新冠肺炎大流行的动态，也表明了替代干预政策的反事实结果。
2021-09-09 cs.MA stat.AP
The COVID-19 pandemic's impact on U.S. electricity demand and supply: an early view from the data
在最近的COVID-19疫情爆发后，多项研究报告了电力消耗趋势的可能变化。这些报告的总体主题是“大流行期间用电量下降，但电网仍然可靠”-主要是由于经济活动减少。在本文中，我们分析了截至2020年5月底的电力数据，检查了电力需求和可以表明电网压力的变量，例如峰值需求和需求斜坡率。我们将这项研究限制在美国的三个州：纽约州，加利福尼亚州和佛罗里达州。结果显示，疫情对电力需求的影响并非简单地较可比时间框架减少，不同地区之间存在明显差异。可以在网格上显示压力的变量也传达了混合的信息：一些表明压力增加，一些表明压力减少，还有一些没有表明任何明显的差异。一个积极的信息是，在发布居家令时观察到的一些变化似乎在2020年5月之前恢复了。将任何观察到的变化归因于大流行的一个关键挑战是校正天气。我们提供了一个天气校正方法，将其应用到一个小的城市范围内的区域，并讨论了需求的估计变化的影响。天气校正演习强调，天气校正是具有挑战性的，因为它是重要的。
2020-06-30 cs.CY stat.AP
Causal Impact of Masks, Policies, Behavior on Early Covid-19 Pandemic in the U.S
本文评估了美国各州采取的各种政策对新冠肺炎确诊病例和死亡人数增长率以及谷歌移动报告衡量的社交距离行为的动态影响，其中我们考虑了人们对传播风险新信息的自愿行为反应。我们的分析发现，政策和传播风险信息都是新冠肺炎病例和死亡的重要决定因素，并表明政策的变化可以解释观察到的社交距离行为变化的很大一部分。我们的反事实实验表明，在4月1日全国强制要求员工佩戴口罩可能会在4月下旬将病例和死亡人数的增长率降低10个百分点以上，并可能导致到5月底全国死亡人数减少17%至55%，这大致相当于挽救了1.7万至5.5万人的生命。我们的估计意味着，取消非必要的企业关闭（同时保持学校关闭，对电影院和餐馆的限制）可能会导致到5月底的病例和死亡人数增加20%至60%。我们还发现，如果没有居家令，病例会增加25%到170%，这意味着如果居家令没有得到实施，可能会有50万到340万美国人被感染。最后，如果没有实施任何政策，到5月底，美国的病例（和死亡人数）可能会增加至少7倍，而病例（和死亡人数）的上限没有提供任何信息，学校关闭的影响具有相当大的不确定性，几乎没有横截面变化。
2020-10-19 econ.EM stat.AP
Causal Analysis and Prediction of Human Mobility in the U.S. during the COVID-19 Pandemic
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Michigan State University（密歇根州立大学）
由于COVID-19在美国日益蔓延，截至2020年9月，该国确诊病例和死亡人数居世界首位，该国大部分州都实施了旅行限制，导致流动性急剧下降。然而，这场危机对旅行和流动性的总体影响和长期影响仍然不确定。为此，本研究开发了一个分析框架，确定并分析了在这场大流行期间影响美国人口流动和旅行的最主要因素。特别是，该研究使用格兰杰因果关系来确定影响每日车辆行驶里程的重要预测因素，并利用线性正则化算法（包括Ridge和LASSO技术）来建模和预测移动性。从2020年3月1日至2020年6月13日期间，从各种开放获取的来源获得了州一级的时间序列数据，整个数据集被分为两部分用于培训和测试目的。利用Granger因果关系选取变量，分别采用普通最小二乘回归、岭回归和LASSO回归算法对3种不同的降阶模型进行训练。最后，在试验数据上检验了所建模型的预测精度。结果表明，新冠病例数、社交距离指数、待在家里的人口、出县旅行的百分比、前往不同目的地的旅行、社会经济地位、在家工作的人的百分比和全州关闭等因素是影响每日VMT的最重要因素。此外，在所有的建模技术，岭回归提供了最优越的性能与最小的误差，而LASSO回归也表现得比普通的最小二乘模型。
2021-11-24 cs.LG stat.AP
Statistical Machine Learning Meets High-Dimensional Spatiotemporal Challenges -- A Case Study of COVID-19 Modeling
本研究利用地理空间大数据和统计机器学习模型MBSTS-TL，分析2020年美国COVID-19数据，揭示非药物干预措施的时空异质性影响，发现决定因素从流动性演变为流动性、居家令与公众认知的复合。
2023-11-29 physics.data-an physics.soc-ph stat.AP
SARS-COV-2 Pandemic: Understanding the Impact of Lockdown in the Most Affected States of India
SARS-COV-2让世界停止了脚步，三分之一的人口被迫呆在家里。在这里，我们提出了一个比较研究的表现，印度各邦，在遏制疾病的传播，受大流行病的影响最大。我们已根据二零二零年三月十四日至二零二零年四月十七日期间收集的数据进行评估。我们通过比较平滑的时间序列和百分比变化以及每日确诊病例的变化点检测来做到这一点。我们还讨论了不同的政策和战略，由国家在遏制疾病和基层执行。我们已经开发了ARIMA（p，d，q）模型，其中（p，d，q）是通过最小化AIK（赤池信息准则）。这些模型被用来对该国进行预测，结果显示，到2020年5月7日，印度将有大约50，237例确诊病例，11天的增长率将翻一番。在每个州的表现的基础上，我们认为，地方一级的战略，这是基于该特定地区的人口，而不是一个中央和统一的发展。
2020-04-28 q-bio.PE stat.AP
Sleep during COVID-19 pandemic: Longitudinal observational study combining multisensor data with questionnaires
本研究通过健身追踪器多传感器数据与月度问卷，纵向分析芬兰112名在职成年人超27000晚的睡眠数据，探究疫情期间睡眠模式变化及相关影响因素，揭示了疫情措施、职业、生活习惯等对睡眠的多维度影响。
2023-10-02 cs.HC stat.AP
Face masks, vaccination rates and low crowding drive the demand for the London Underground during the COVID-19 pandemic
COVID-19大流行严重影响了人们的旅游行为和户外活动参与。虽然随着疫苗接种率的提高，应对措施正在放松，但对公共交通的需求仍然不确定。为了调查大流行期间伦敦地铁用户的出行偏好，我们在大流行前的伦敦地铁用户（N=961）中进行了一项规定的选择实验。我们使用多项和混合logit模型分析了收集的数据。我们的分析提供了对伦敦地铁需求在出行属性（拥挤密度和出行时间）、疫情（确诊的新冠肺炎病例）和干预措施（疫苗接种率和强制性口罩）方面的敏感性的见解。强制性口罩和更高的疫苗接种率是COVID-19期间伦敦地铁出行需求的两大驱动力。疫苗接种率对地铁需求的积极影响随着拥挤密度的增加而增加，强制性口罩的积极影响随着旅行时间的增加而减少。混合logit揭示了大量的偏好异质性。例如，虽然强制性口罩的平均效果是积极的，但约20%的疫情前使用者乘坐地铁的偏好受到负面影响。估计的需求敏感性与过境系统的供需管理和先进流行病学模型的校准有关。
2021-07-06 econ.GN q-fin.EC stat.AP
A Regression Mixture Model to understand the effect of the Covid-19 pandemic on Public Transport Ridership
Université Gustave Eiffel（Gustave Eiffel大学）
本文提出一种回归混合模型，同时聚类公共交通站点并分割时间段，利用巴黎轨道交通五年数据揭示 Covid-19 疫情对客流量和每周通勤模式的影响。
2024-02-16 cs.AI stat.AP
A Novel Deep Learning Model for Hotel Demand and Revenue Prediction amid COVID-19
University of Central Florida（中佛罗里达大学）
新型冠状病毒疫情对旅游及酒店业造成重大影响。旅游限制和居家令等公共政策严重影响了旅游活动和服务业的经营和盈利。为此，必须开发一个可解释的预测模型，以支持管理和组织决策。我们开发了DemandNet，这是一种新颖的深度学习框架，用于预测COVID-19大流行影响下的时间序列数据。该框架首先选择嵌入在时间序列数据中的顶级静态和动态特征。然后，它包括一个非线性模型，可以提供对以前看到的数据的可解释的见解。最后，开发了一个预测模型，以利用上述特征进行稳健的长期预测。我们使用美国八个城市的每日酒店需求和收入数据对该框架进行了评估。我们的研究结果显示，DemandNet的表现优于最先进的模型，并能准确预测COVID-19疫情对酒店需求和收入的影响。
2022-03-08 cs.LG stat.AP
An NLP-Assisted Bayesian Time Series Analysis for Prevalence of Twitter Cyberbullying During the COVID-19 Pandemic
University of Florida（佛罗里达大学）
本文利用NLP模型和贝叶斯时间序列分析，研究新冠疫情期间推特上网络欺凌的 prevalence 及其季节性变化。
2023-03-01 cs.LG cs.SI stat.AP
