Spatial-temporal Analysis of COVID-19's Impact on Human Mobility: the Case of the United States
自二零一九年十二月以来，COVID-19已影响社会生活的各个方面，包括人员流动。在本文中，我们研究了COVID-19对美国各州人口流动模式的影响。从时间的角度来看，我们发现流动模式的变化并不一定与政府的政策和指导方针相关，而更多地与人们对疫情的认识有关，这一点在Google Trends的搜索数据中有所反映。我们的研究结果表明，平均需要14天的流动模式，以适应新的情况。从空间的角度来看，我们进行了一个国家级的网络分析和聚类使用多尺度动态人类流动数据集的流动数据。结果，我们发现：1）同一个聚类中的州的地理距离较短; 2）在出现最多聚类的时间和Google趋势上冠状病毒相关搜索查询的峰值之间再次发现了14天的延迟;以及3）其它网络流属性，即度、接近度和介数，从3月2日的一周到4月6日的一周（集群数量最多的一周）。
2020-12-06 cs.SI physics.soc-ph
Google COVID-19 community mobility reports: insights from multi-criteria decision making
社交距离（SD）在抗击新型冠状病毒疾病（COVID-19）方面至关重要。为了帮助SD监测，许多技术公司提供了移动数据，最突出的例子是Google提供的社区移动报告（CMR）。鉴于广泛的研究领域一直在从CMR数据中汲取见解，人们越来越关注如何使用它们的方法论讨论。事实上，谷歌最近发布了他们自己的指导方针，涉及地点类别的性质和校准区域价值的必要性。在这项工作中，我们将讨论如何在多标准决策（MCDM）领域开发的措施可能有利于研究人员分析这些数据。具体而言，我们讨论如何帕累托优势和性能指标MCDM中采用使移动性评估（一）多个类别在一个给定的时间段和（ii）多个类别在多个时间段。我们实证证明了这些方法进行区域和国家层面的分析，比较了一些最相关的爆发例子，从不同的大陆。
2020-09-17 cs.SI physics.soc-ph
Multiscale Dynamic Human Mobility Flow Dataset in the U.S. during the COVID-19 Epidemic
了解不同地理尺度下人类流动的动态变化和空间互动模式，对于评估COVID-19大流行期间非药物干预措施（如居家令）的影响至关重要。在这个数据描述符中，我们介绍了一个定期更新的美国多尺度动态人类流动数据集，数据从2020年3月1日开始。通过分析SafeGraph提供的数百万匿名移动电话用户对各个地方的访问，计算、汇总并推断了三个地理尺度上的每日和每周动态起点到目的地（O-D）人口流量：人口普查区、县和州。我们的移动流数据集与公开可用的数据源之间存在高度相关性，这表明了所产生数据的可靠性。这样一个高时空分辨率的不同地理尺度的人类流动数据集可以帮助监测流行病传播动态，为公共卫生政策提供信息，并加深我们对前所未有的公共卫生危机下人类行为变化的理解。这种最新的O-D流量开放数据可以支持许多其他社会传感和交通应用。
2020-11-02 cs.SI physics.soc-ph
COVID-19 reproduction number estimated from SEIR model: association with people's mobility in 2020
本文是在世界范围内对两个流行病学问题的探索性研究。疾病传播的速度有多快？对人们的限制（特别是行动限制）是否带来了预期的效果？为了回答第一个问题，我们提出了一个工具，估计再现数的流行病（继发感染的数量$R_t$）的SEIR模型的基础上，并将其与非模型$R_t$估计。为了衡量不同国家COVID-19的$R_t$，从约翰霍普金斯大学系统科学与工程中心（CSSE）检索了冠状病毒感染、康复和死亡的每日病例的实时数据。为评估2020年COVID-19疫情期间流动限制措施的有效性，我们列出了$R_t$与人们流动性之间的相关性（基于Apple流动性指数）。考虑了12个国家的相关性，其中大多数国家的相关性为负。这表明在实施流动限制方面出现了延迟--各国实施这些限制是为了应对新冠肺炎病例的增长，而不是为了预防。
2021-08-27 cs.SI physics.soc-ph q-bio.PE
Mapping county-level mobility pattern changes in the United States in response to COVID-19
为控制冠状病毒病（COVID-19）大流行，应对COVID-19爆发的其中一项非药物疫情控制措施是通过（物理）社交距离降低SARS-COV-2在人群中的传播率。在美国国家科学基金会（NSF）的支持下，开发了一个基于网络的互动绘图平台，及时提供有关不同国家和州的人们对社交距离准则的反应的定量信息。它整合了地理信息系统（GIS）和每日更新的人类流动统计模式，这些统计模式来自美国县级大规模匿名和汇总的智能手机位置大数据，旨在提高公众的风险意识，支持政府决策，并帮助加强社区应对COVID-19疫情。
2020-05-16 cs.SI physics.soc-ph q-bio.PE
Mobility Based SIR Model For Pandemics -- With Case Study Of COVID-19
在过去的十年中，人类面临着许多不同的流行病，如SARS，H1N1和目前的新型冠状病毒（COVID-19）。一方面，科学家们正在关注疫苗接种，另一方面，有必要提出模型，帮助我们了解这些流行病的传播，因为它可以帮助政府和其他相关机构做好准备，特别是对像COVID-19这样传播速度更快的流行病。一些流行病转变为大流行病的主要原因是世界不同区域之间的连通性，这使得更容易影响更广泛的地理区域，往往是世界范围。此外，世界不同区域的人口分布和社会凝聚力也不一致。因此，一旦疫情进入一个地区，那么当地的人口分布就起着重要的作用。受这些思想的启发，我们提出了一个基于流动性的SIR模型的流行病，特别是考虑到大流行的情况。据我们所知，这是第一个考虑到全球不同地理位置的人口分布和连通性的模型。除了提出我们的模型的数学证明，我们已经进行了广泛的模拟使用合成数据，以证明我们的模型的通用性。为展示我们的模型的更广泛范围，我们使用我们的模型预测爱沙尼亚的COVID-19病例。
2020-04-26 cs.SI physics.soc-ph
Exploring the spatiotemporal heterogeneity in the relationship between human mobility and COVID-19 prevalence using dynamic time warping
了解何时何地人类流动与疾病感染相关，对于实施基于位置的卫生保健政策和干预措施至关重要。此前关于COVID-19的研究揭示了人类流动性与COVID-19病例之间的相关性。然而，这种相关性的时空异质性尚未完全理解。在这项研究中，我们的目标是确定美国各县人口流动与COVID-19病例之间关系的时空异质性。使用匿名的移动终端的位置数据，我们计算的流动性，包括流量内，并进入每个县的总措施。然后，我们使用动态时间规整（DTW）比较了每个县的人口流动和COVID-19病例的趋势。DTW结果突出了流动性可能影响疾病传播的时间段和地点（县）。此外，人类流动性和感染之间的相关性在地理空间和时间上的关系，强度和相似性方面存在很大差异。
2021-09-28 cs.CY cs.SI
Complexity of Government response to Covid-19 pandemic: A perspective of coupled dynamics on information heterogeneity and epidemic outbreak
本研究基于复杂网络视角构建信息异质性与疫情耦合动力学模型，揭示了政府干预面临的“社会最优”与“私人最优”决策困境，并通过武汉疫情反事实分析证明了延长决策视野下信息封锁的灾难性后果，为未来预警系统设计提供启示。
2023-10-25 cs.SI physics.soc-ph
Contact Graph Epidemic Modelling of COVID-19 for Transmission and Intervention Strategies
2019冠状病毒病（COVID-19）大流行已迅速成为近年来未见的全球公共卫生危机。众所周知，人类接触网络的结构在传染病的传播中起着重要作用。在这项工作中，我们研究了COVID-19 CGEM的结构感知模型。如果我们假设接触网络是一个Erdos-Renyi（ER）图，即每个人都以相同的概率与其他人接触，那么这个模型就变得类似于流行病学中经典的基于分区的模型。相比之下，CGEM更具表现力，并允许插入实际的接触网络，或更现实的代理。此外，CGEM能够更精确地建模执行和释放不同的非药物干预（NPI）策略。通过一组广泛的实验，我们证明了假设不同的基础结构时，流行曲线之间的显着差异。更具体地说，我们证明了基于隔室的模型高估了感染的传播系数为3，并且在对依从性因子的一些现实假设下，低估了一些NPI的有效性，错误地描述了其他NPI（例如预测稍后的高峰），并低估了重新开放后第二个高峰的规模。
2020-10-06 cs.SI physics.soc-ph
Mobility Changes in Response to COVID-19
为应对COVID-19大流行，已出现自愿行为改变及对人类互动的行政限制。这些行动旨在降低严重急性呼吸系统综合征冠状病毒2（SARS-CoV-2）的传播率。我们使用匿名化和/或去识别化的移动终端位置来测量移动性，这是一个统计数据，表示给定人群中的典型成员在一天内移动的距离。结果表明，在美国和全球范围内，流动性大幅减少。在美国，由于COVID-19威胁的出现和特定的政府指令，流动性大幅减少。美国admin 1（州）和admin 2（县）级别的移动数据已在知识共享署名（CC BY 4.0）许可下通过GitHub存储库https://github.com/descarteslabs/DL-COVID-19/免费提供
2020-03-31 cs.CY cs.SI
A multi-objective time series analysis of community mobility reduction comparing first and second COVID-19 waves
鉴于大多数国家在新型冠状病毒病（COVID-19）疫苗的生产、分销和应用方面面临物流挑战，社交距离（SD）仍然是减缓病毒传播的最切实可行的方法。为了协助SD监控，几家科技公司已经公开了匿名移动数据。在这项工作中，我们使用谷歌社区流动性报告~（CMR）数据，在美国和欧洲的几个地方进行了第一次和第二次COVID-19浪潮之间的多目标流动性减少率比较。通过多维可视化，我们能够以符合帕累托的方式比较每个选定地点的不同封锁期的流动性减少，同时考虑CMR中提供的所有地点类别。此外，我们的分析包括每个地区的56天封锁期和COVID-19浪潮，我们分析为56天周期和14天连续窗口。结果有很大的不同，作为一个功能的本地考虑，特别是当流动性降低的时间演变被认为是。因此，我们单独讨论每个地方，相关的社会距离措施和观察到的减少。
2021-02-28 cs.SI
Systematic analysis of the effectiveness of adding human mobility data to covid-19 case prediction linear models
该研究针对COVID-19病例预测中移动数据的作用争议，通过多数据集和多预测提前期的系统分析，发现加入移动数据仅在测试初期约两个月有效，最大相关性提升仅0.3，澄清了移动数据的实际增益边界。
2024-05-05 cs.CY cs.SI
Measuring the effect of Non-Pharmaceutical Interventions (NPIs) on mobility during the COVID-19 pandemic using global mobility data
实施政府非药物干预措施（NPIs）一直是控制COVID-19疾病传播的主要手段。这些非营利机构的预期效果是减少流动性。流动性的大幅减少被认为通过限制病毒在人群中传播的机会对减少COVID-19传播产生积极影响。由于实施这些非营利机构的成本巨大，因此必须充分了解其功效。使用苹果和谷歌发布的全球流动性数据以及ACAPS NPI数据，我们研究了NPI对i）锁定前后流动性水平之间转变的变化（幅度）大小和ii）这种转变的速度（梯度）的比例贡献。使用广义线性模型来寻找最佳拟合模型，我们使用Apple或Google数据发现了类似的结果。影响移动性变化幅度的NPI包括：封锁措施（Apple，Google Retail and Recreation（RAR）和Google Transit and Stations（TS）），宣布紧急状态（Apple，Google RAR和Google TS），关闭企业和公共服务（Google RAR）和学校关闭（Apple）。使用聚类分析和卡方检验，我们发现，关闭企业和公共服务，学校关闭和限制公众集会以及边境关闭和国际航班暂停密切相关。实施封锁措施和限制公众集会对流动性变化率的影响最大。总之，我们能够定量评估NPI在减少流动性方面的有效性，这使我们能够及时了解其细粒度的影响，从而促进知情和具有成本效益的干预措施。
2020-09-21 cs.SI physics.soc-ph q-bio.QM
Social Media COVID-19 Misinformation Interventions Viewed Positively, But Have Limited Impact
在COVID-19错误信息的传播中，Facebook和Twitter等社交媒体平台推出了设计干预措施，包括链接到权威资源的横幅和更具体的“虚假信息”标签。2020年3月下旬，在这些干预措施开始出现后不久，我们进行了一项探索性混合方法调查（N = 311），以了解：社交媒体用户对这些干预措施的态度如何，以及他们自我报告的有效性如何？我们发现，大多数参与者对干预措施，特别是错误信息的特定标签表示积极的态度。尽管如此，大多数参与者还是通过其他方式发现或纠正了错误信息，最常见的是网络搜索，这表明平台有更多的空间来阻止COVID-19错误信息的传播。
2020-12-21 cs.CY cs.SI
The relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy
2020年，受COVID-19疫情影响的国家实施了各种非药物干预措施，以对比病毒的传播及其对医疗系统和经济的影响。我们使用意大利不同地理尺度的数据，调查了人口流动性（包括人口对不断变化的情况的反应的许多方面）与COVID-19传播之间的关系。利用2020年2月至9月的移动电话数据，我们发现移动流量的减少与净再生产数量之间存在显着的关系。我们发现，关闭流动性，使净繁殖数低于临界阈值1所需的时间约为一周。此外，我们观察到在封锁引起的流动性下降之前超过这一阈值的天数与每10万居民的感染总数之间存在很强的关系。随着时间的推移，估计流动性流量对净再生产数量的统计影响，我们记录了一个2周的滞后正相关，在3月和4月较强，6月较弱，但仍然显着。我们的研究证明了大规模流动数据在监测疫情和在疫情发展过程中为控制干预提供信息方面的价值。
2021-04-01 cs.SI physics.soc-ph stat.AP
Modeling International Mobility using Roaming Cell Phone Traces during COVID-19 Pandemic
大多数与人员流动有关的研究都侧重于国内流动。然而，存在许多场景（例如，传播疾病、移徙），在这方面，及时提供关于国际通勤者的数据至关重要。移动电话为及时监测国际流动流动并进行适当的空间汇总提供了一个独特的机会。这项工作建议使用移动电话产生的漫游数据来模拟传入和传出的国际移动性。我们使用重力和辐射模型来捕捉流动性流动之前和期间引入非药物干预措施。然而，传统模型有一些局限性：例如，流动性限制没有明确捕获，可能会发挥关键作用。为了克服这些局限性，我们提出了COVID引力模型（CGM），即针对大流行情景定制的传统引力模型的扩展。该方法超越，在准确性方面，传统的模型由126.9%传入的移动性和63.9%时，建模传出的移动性流。
2022-03-21 cs.CY cs.SI
Use of mobile phone sensing data to estimate residence and mobility times in urban patches during the COVID-19 epidemic: The case of the 2020 outbreak in Hermosillo, Mexico
本研究利用手机GPS数据和Brownian bridge模型推断城市人口流动与停留时间，并将估计的居住-流动矩阵纳入多斑块SEIR模型，以评估政府干预对流动变化的影响。
2024-03-23 cs.SI physics.soc-ph stat.AP
Characterizing Human Mobility Patterns During COVID-19 using Cellular Network Data
在本文中，我们的目标是分析和比较COVID-19大流行期间封锁前、封锁期间和封锁后阶段的蜂窝网络使用数据，以了解和模拟大流行期间的人类流动模式，并评估封锁对流动性的影响。为此，我们与巴西主要的蜂窝网络提供商之一合作，收集并分析了2020年3月1日至2020年7月1日期间里约热内卢市及其郊区所有用户的1400个天线的蜂窝网络连接。我们的分析显示，在封锁阶段，蜂窝连接总数下降至78%，然后随着封锁的放松，增加至COVID前时代的85%。我们观察到，随着越来越多的人远程工作，天线在总流量中占前10%，与里约市中心天线的连接数量急剧减少，其他地点的天线取代了它们的位置。我们还观察到，虽然在锁定阶段期间每天有近40-45%的用户仅连接到1个天线，表明没有移动性，但仍有约4%的用户（即，8万用户）连接到10个以上的天线，这表明移动性非常高。最后，我们设计了一个交互式工具，展示了不同粒度的移动模式，可以帮助人们和政府官员了解特定社区的个人移动性和COVID病例数量。我们基于大规模数据对流动模式的分析、推断和互动展示，可以外推到世界其他城市，并有可能帮助设计未来更有效的流行病管理措施。
2020-10-27 cs.SI
Twitter, human mobility, and COVID-19
COVID-19的爆发凸显出需要一种更协调、更少涉及隐私、更容易获得的方法来监测已被证明与病毒传播相关的人员流动。在这项研究中，我们分析了全球5.87亿条推文，以了解如何从全球、国家和美国各州的用户生成信息中反映出减少人类流动性的全球合作努力。考虑到移动性的多面性，我们提出了两种类型的距离：单日距离和跨日距离。为了量化某些地理区域的响应性，我们进一步提出了一个基于移动性的响应指数（MRI），它可以在一个时间窗口内捕获移动性变化的总体程度。结果表明，从Twitter数据获得的流动模式是可量化的，以反映流动的动态。在全球范围内，2020年3月11日世卫组织宣布COVID-19为大流行之后，拟议的两个距离大大偏离了其基线。宣布后的时间间隔大大减少，表明保护措施显然影响了人们的旅行习惯。国家规模的比较揭示了反应能力的差异，不同流行阶段的流动模式对比就证明了这一点。我们发现，流动性变化的触发因素与国家宣布的缓解措施相吻合。在美国，COVID-19疫情对流动性的影响是明显的。然而，各州之间的影响差异很大。“黑人的命也是命”（Black Lives Matter）抗议活动进一步推动了流动性的强劲复苏势头，这可能会助长美国的第二波感染。
2020-06-24 cs.CY cs.SI stat.AP
Adapting Node-Place Model to Predict and Monitor COVID-19 Footprints and Transmission Risks
University of Hong Kong（香港大学）
本文通过适应节点-地点模型，研究节点、地点和移动性对新冠足迹及传播风险的预测作用，为疫情防控提供决策支持。
2022-12-31 cs.LG cs.SI physics.soc-ph
Infections Forecasting and Intervention Effect Evaluation for COVID-19 via a Data-Driven Markov Process and Heterogeneous Simulation
2019冠状病毒病（COVID-19）大流行已造成大量死亡，并对全球经济发展造成毁灭性影响。因此，控制其进一步传播至关重要，为此，有必要找到其传播过程的机制，并评估不同控制策略的效果。为了解决这些问题，我们将COVID-19的传播描述为一个具有四个参数的爆炸性马尔可夫过程。所提出的马尔可夫过程的状态转移可以清楚地揭示COVID-19可怕的爆发和复杂的异质性。在此基础上，我们进一步提出了一种模拟方法与异质性感染。实验表明，该方法可以密切跟踪COVID-19的真实传播过程，揭示其传播机制，并预测不同非药物干预策略下的传播情况。更重要的是，我们的方法有助于制定有效的COVID-19控制策略，并适当比较不同国家╱城市的控制效果。
2021-01-07 cs.SI stat.AP
Country-wide mobility changes observed using mobile phone data during COVID-19 pandemic
于二零二零年三月，奥地利政府为应对COVID-19疫情而实施广泛封锁。根据主观印象和轶事证据，奥地利的公共和私人生活突然停止。在这里，我们评估了奥地利所有地区的锁定效果，并使用近实时匿名手机数据分析了奥地利各地人员流动的日常变化。我们描述了一个有效的数据聚合管道，并通过量化特定兴趣点（POI）的移动电话流量，分析个人轨迹和调查的起源-目的地图的集群结构来分析移动性。我们发现，维也纳地铁站的通勤者减少了80%以上，回转半径小于500米的设备数量几乎翻了一番。研究人群运动行为的结果突出了移动网络结构的巨大变化，这一变化体现在更高的模块化程度和从12个增加到20个检测到的社区。我们通过显示伊施格尔镇（早期COVID-19热点）的流出量与报告的COVID-19病例之间存在8天的时间滞后，证明了流动性数据与流行病学研究的相关性。这项研究表明，移动电话使用数据允许移动行为的每时每刻的量化为整个国家。我们强调，有必要改善匿名形式的此类数据的可用性，以增强快速应对COVID-19和未来大流行病的能力。
2020-08-23 cs.CY cs.SI stat.AP
YouTubing at Home: Media Sharing Behavior Change as Proxy for MobilityAround COVID-19 Lockdowns
遵守公共卫生措施，如限制行动和社交活动，对于限制严重急性呼吸系统综合征冠状病毒2型（也称为COVID-19）等疾病的传播至关重要。虽然大型人口数据集（如基于电话的移动数据）可以提供对此类合规性的一些了解，但它通常是专有的，并且可能不适用于所有地区。在这项工作中，我们研究了社交媒体上的视频共享作为互联网用户在家花费的时间量的代理的有用性。我们特别关注在109个国家实施COVID-19封锁措施之前及期间在Twitter上分享YouTube视频的人数。我们发现，各国的媒体分享行为差异很大，有些国家对封锁法令立即做出反应-主要是通过大幅增加分享量-而另一些国家则有很大的滞后。我们证实，这些见解与移动性密切相关，如使用电话数据测量的。最后，我们说明了媒体共享和移动行为的变化更剧烈周围强制锁定，而不是更宽松的建议。我们将媒体共享量数据提供给研究界，以持续监测公共卫生措施的行为变化。
2021-03-26 cs.CY cs.SI
An AI-assisted Economic Model of Endogenous Mobility and Infectious Diseases: The Case of COVID-19 in the United States
我们建立了一个基于深度学习的SEIR-AIM模型，将经典的易感-暴露-有害-去除流行病学模型与感染，社区流动性和失业的预测模块相结合。通过将谷歌的多维流动性指数与经济活动、公共卫生状况和缓解政策联系起来，我们的人工智能辅助模型捕捉了民众对经济激励和健康风险的内生反应。除了是一种有效的预测工具外，我们的分析还显示，在大规模接种疫苗之前，COVID-19的长期有效繁殖数在美国的数据中平衡在1左右。我们确定了一个“政策前沿”，并确定重新开放学校和工作场所是最有效的。我们还量化了抗议者对黑人生命问题运动的就业价值等价性，并发现其对公共卫生的影响可以忽略不计。
2021-09-21 cs.SI econ.GN q-fin.EC
Human mobility patterns in Mexico City and their links with socioeconomic variables during the COVID-19 pandemic
手机地理定位数据的可用性为研究人类移动模式以及这些模式如何受到最近流行病的影响提供了一个绝佳的机会。两个简单的中心性指标使我们能够测量使用此类数据构建的起点-目的地网络中的两个不同方面的移动性：连接到某个节点的各种地方（度）和往返于给定节点的人数（强度）。在这篇文章中，我们分析了2020年大墨西哥城每日始发地-目的地网络的节点度和强度。与在许多复杂网络中观察到的不同，这些源-目的地网络不是无标度的。相反，有一个由分布峰值定义的特征尺度;中心性分布呈现出倾斜的双尾分布，在峰值的每一侧都有幂律衰减。我们发现，高流动性地区往往更靠近市中心，人口更多，社会经济条件更好。行为异常的地区几乎总是在城市的外围，在那里我们也可以观察到东西部之间流动模式的质的差异。最后，我们研究了COVID-19大流行病爆发导致的流动限制对这些流动模式的影响。
2022-08-12 cs.SI stat.AP
The social stratification of internal migration and daily mobility during the COVID-19 pandemic
基于540万用户手机数据，研究揭示COVID-19期间圣地亚哥不同收入阶层在内部迁移和日常流动性上的分化响应，为危机时期的公平政策制定提供依据。
2023-09-21 cs.CY cs.SI
Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks
Google Research（谷歌研究院）
在这项工作中，我们研究了一种使用图神经网络和移动数据进行COVID-19病例预测的新预测方法。与现有的时间序列预测模型相比，所提出的方法从单个大规模时空图中学习，其中节点表示区域级别的人类移动性，空间边缘表示基于人类移动性的区域间连通性，时间边缘表示节点随时间的特征。我们在美国县级COVID-19数据集上评估了这种方法，并证明了图神经网络利用的丰富空间和时间信息使模型能够学习复杂的动态。与表现最好的基线模型相比，我们显示RMSLE降低了6%，绝对Pearson相关性从0.9978提高到0.998。这种新的信息来源与基于图形的深度学习方法相结合，可以成为了解COVID-19传播和演变的强大工具。我们鼓励其他人进一步开发一种基于GNN和高分辨率移动数据的传染病建模范例。
2020-07-06 cs.LG cs.SI
Evaluating Efficacy of Indoor Non-Pharmaceutical Interventions against COVID-19 Outbreaks with a Coupled Spatial-SIR Agent-Based Simulation Framework
传染性呼吸道疾病，如COVID-19，取决于足够长时间的暴露，以成功传播潜在的病原体。各组织必须评估旨在减少其人员之间病毒传播的干预措施的效力。我们已经开发了一个操作风险评估模拟框架，耦合空间代理为基础的移动模型与SIR流行病学模型，以评估不同的干预策略的相对风险。通过将我们的模型应用于麻省理工学院的STATA大楼，我们评估了三个可能的干预维度的影响：单向与不受限制的流动，现场允许的人口规模，以及离开指定工作地点休息的频率。我们发现，有没有显着的影响，单向流动限制不受限制的流动。相反，我们发现，将入院人数降低到当前建议的水平以下，并建议个人减少离开工作站的频率，这两种方法的结合降低了接触网络中出现高度联系的个人的可能性，从而降低了感染的总体风险。我们发现三类可能的干预措施的基础上，其流行病学的影响。通过假设SIR模型中的二次发病率和传播率数据之间存在直接关系，我们比较了模拟区域内MERS、SARS、COVID-19和麻疹四种呼吸道疾病的相对感染风险，并推荐了适当的干预指南。
2021-08-25 cs.SI q-bio.PE q-bio.QM
Multiwave COVID-19 Prediction from Social Awareness using Web Search and Mobility Data
Purdue University（普渡大学）；Massachusetts Institute of Technology（麻省理工学院）；Yahoo Japan Corporation（雅虎日本公司）；Peking University（北京大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）
COVID-19的反复爆发对全球社会造成了持久的影响，这需要使用早期可用的各种数据来预测大流行波。使用流动性数据预测第一波疫情的现有预测模型可能不适用于多波预测，因为美国和日本的证据表明，不同波的流动性模式与感染病例的波动之间存在不同的关系。因此，为了预测多波大流行，我们提出了一个基于社会意识的图神经网络（SAB-GNN），该网络考虑了与艾滋病相关的网络搜索频率的衰减，以捕捉多波公众意识的变化。我们的模型结合了GNN和LSTM，对城市地区、地区间流动模式、网络搜索历史和未来COVID-19感染之间的复杂关系进行建模。我们训练我们的模型，以使用雅虎日本公司在严格的隐私保护规则下收集的2020年4月至2021年5月四次大流行浪潮中的移动和网络搜索数据来预测东京地区未来的大流行疫情。结果表明，我们的模型优于最先进的基线，如ST-GNN，MPNN和GraphLSTM。虽然我们的模型在计算上并不昂贵（只有3层和10个隐藏的神经元），但所提出的模型使公共机构能够预测和准备未来的大流行爆发。
2022-06-10 cs.AI cs.SI
Estimating Geographic Spillover Effects of COVID-19 Policies From Large-Scale Mobility Networks
美国的许多政策都是由当地决定的，例如，在县级。地方政策制度提供了地区之间的灵活性，但在地理溢出的情况下可能会变得不那么有效，即人口通过前往附近限制较少的地区来规避当地限制。由于决策的内生性，很少有机会可靠地估计因果溢出效应或评估其对地方政策的影响。在这项工作中，我们确定了一个新的设置，并制定了一个合适的方法，使我们能够对当地政策的溢出效应进行无混淆的估计。我们专注于加州的“更安全经济蓝图”，利用公共COVID-19严重程度统计数据确定性地设定县级流动限制的方式，使回归不连续设计框架能够估计县之间的溢出效应。我们使用具有数十亿个时间戳边缘的移动网络来估计这些影响，并发现显著的溢出运动，在零售，餐饮场所和健身房中具有更大的影响。对比地方和全球政策制度，我们的溢出估计表明，县级限制在减少流动性方面的有效性仅为全州限制的54%。然而，宏观县限制的中间策略-我们通过解决由我们的溢出估计加权的图上的最小k切割问题来优化县分区-可以恢复超过90%的全州范围的流动性减少，同时保持县之间的巨大灵活性。
2022-12-12 cs.CY cs.SI
Exploratory Analysis of COVID-19 Related Tweets in North America to Inform Public Health Institutes
University of British Columbia（不列颠哥伦比亚大学）；British Columbia Centre for Disease Control（不列颠哥伦比亚省疾病控制中心）
社交媒体是一个丰富的来源，我们可以了解人们对社会问题的反应。由于COVID-19对人们的生活产生了重大影响，因此了解人们对公共卫生干预措施的反应并了解他们的担忧至关重要。在本文中，我们的目的是调查人们对COVID-19在北美的反应和关注，特别是在加拿大。我们使用主题建模和基于方面的情感分析分析COVID-19相关推文，并与公共卫生专家一起解释结果。我们将讨论的主题的时间轴与实施COVID-19公共卫生干预措施的时间进行了比较。我们亦研究市民对COVID-19相关议题的情绪。我们将讨论这些结果如何有助于公共卫生机构在设计新的干预政策时。我们的工作展示了如何将自然语言处理（NLP）技术应用于领域专家参与的公共卫生问题。
2020-07-05 cs.CL cs.CY cs.SI
