Optimising pandemic response through vaccination strategies using neural networks
本文提出基于神经网络的三阶段框架，用于优化疫苗接种策略以平衡疾病控制与经济成本。
2025-11-21 econ.EM math.OC stat.AP
A Novel Compartmental Approach to Modeling COVID-19 Disease Dynamics and Analyzing the Effect of Common Preventative Measures
截至2020年12月，COVID-19疫情已感染超过75百万人，成为现代历史上最致命的疫情。本研究开发了一种新的针对SARS-CoV-2病毒的房室流行病学模型，并分析了常见预防措施（如检测、隔离、社交距离和疫苗接种）的效果。通过考虑为最大限度地减少病毒传播而制定的最普遍的干预措施，该模型为未来COVID-19和其他现代流行病的数学建模奠定了重要基础。具体而言，该模型扩展了经典的SIR模型，并为处于潜伏期、无症状、检测阳性、隔离、接种疫苗或死亡的个体引入了单独的隔间。它还解释了可变的感染率、检测率和死亡率。我首先分析了加利福尼亚州圣克拉拉县的疫情，然后概括了调查结果。结果显示，尽管所有预防措施都能减少COVID-19的传播，但隔离和社交距离规定降低了感染率，是最有效的政策，其次是疫苗分发，最后是公开测试。因此，政府应集中资源执行隔离和社交距离政策。此外，我发现数学证明，相对较高的无症状率和较长的潜伏期是COVID-19快速传播的驱动因素。
2021-11-17 physics.soc-ph q-bio.PE stat.AP
Uncertainty quantification for epidemiological forecasts of COVID-19 through combinations of model predictions
在整个COVID-19大流行期间向英国政府提供的科学建议是由科学大流行性流感建模小组（SPI-M）成员提供的流行病学模型集合提供的。除其他应用外，模型集合已被用于预测每日发病率、死亡率和住院率。这些模型在方法（例如确定性或基于代理）以及对疾病和人口的假设方面有所不同。这些差异反映了在理解疾病动态和选择简化模型假设方面的真正不确定性。虽然在时间框架较短的情况下，多模型集合的分析在逻辑上可能具有挑战性，但考虑到结构不确定性可以提高准确性并降低预测中过度自信的风险。在这项研究中，我们比较了各种集成方法在大流行应对背景下结合短期（14天）COVID-19预测的性能。我们解决实际问题的模型预测的可用性，并提出了一些初步建议，以解决短期的标准方法在这种具有挑战性的情况。
2021-08-12 stat.AP
Refining Epidemiological Forecasts with Simple Scoring Rules
来自传染病模型的估计构成了英国应对COVID-19大流行所用科学证据的重要部分。这些估计值在偏差和可变性方面可能会有惊人的差异。流行病学预测应该与最终实现的观察结果相一致。我们使用简单的评分规则，通过调整其平滑度超参数来改进一种新的统计模型对多个国家COVID-19监测数据的预测。
2022-03-14 stat.AP
Stochastic epidemiological model: Modeling the SARS-CoV-2 spreading in Mexico
在本文中，我们通过引入一个新的随机近似模型来模拟SARS-CoV-2在墨西哥的传播，该模型是根据第一性原理构建的，基于潜伏传染性-（已死亡或死亡）（LI（RD））房室近似，其中单位时间（一天）内由单个传染性个体引起的新感染个体数，是一个泊松分布的随机变量，其参数是通过一个类似权重的时间依赖函数调制的。权重函数用于将时间依赖性引入到新感染的平均数量中，并且正如我们将展示的，该信息可以从经验数据中提取，从而赋予模型自洽性，并提供了一种工具来研究流行病学动态中编码的周期性模式的信息
2022-01-07 q-bio.PE stat.AP
A Generalized Epidemiological Model for COVID-19 with Dynamic and Asymptomatic Population
在本文中，我们开发了一个扩展的标准流行病学模型，适用于COVID-19。这一扩展包括由于症状前或无症状的病毒携带者造成的传播。此外，这一模型还反映了由于人员往来于一个国家内不同行政边界而造成的疾病传播。该模型描述了由于（初期）人类传播和多个隔间的伴随影响，确诊病例数量的概率上升。模型中的相关参数可帮助设计公共卫生政策和大流行病的业务管理。例如，该模型表明，增加对有症状患者的检测对大流行的进展没有任何重大影响，但无症状人群的检测率发挥着极其关键的作用。该模型是使用获得的数据在印度共和国的恰蒂斯加尔邦。该模型被证明有显着更好的预测能力比其他流行病学模型。这种模式可以很容易地应用于任何行政边界（州或国家）。此外，该模型也适用于任何其他流行病。
2020-11-19 physics.soc-ph q-bio.PE stat.AP
Renormalisation Group Methods for Effective Epidemiological Models
本文利用重整化群方法研究流行病学模型在标度变换下的行为，证明在大尺度极限下微观感染细节可约化为基本仓室模型中的单一感染率参数。
2024-02-26 hep-th q-bio.PE stat.AP
An Epidemiological Modelling Approach for Covid19 via Data Assimilation
Data Science Institute（数据科学研究所）；Imperial College London（伦敦帝国理工学院）
2019-nCov的全球大流行需要评估政策干预措施，以减轻全球隔离措施的未来社会和经济成本。我们提出了一个流行病学模型的预测和政策评估，采用新的数据，通过变分数据同化的实时。我们分析并讨论了中国、美国和意大利的感染率。特别是，我们开发了一个自定义的房室SIR模型来拟合中国城市的流行病相关的变量，命名为SITR模型。我们比较和讨论模型的结果进行更新，新的观察变得可用。一个混合数据同化方法，使结果对初始条件的鲁棒性。我们使用该模型对感染数量以及疾病传播率或恢复率等参数进行推断。该模型的参数化是简约和可扩展的，允许纳入其他数据和参数的利益。这允许可扩展性和模型扩展到其他位置或适应新的数据源。
2020-10-29 cs.LG stat.AP stat.ME
Modeling Self-Propagating Malware with Epidemiological Models
本文针对自传播恶意软件（SPM）传播行为难以理解的问题，提出并全面分析了SIIDR流行病学模型，通过常微分方程推导其稳定性与基本再生数，并在15条WannaCry攻击数据上验证了SIIDR模型优于SI、SIS和SIR等传统模型。
2023-08-04 cs.CR math.DS stat.AP
Clustering of countries based on the associated social contact patterns in epidemiological modelling
数学模型已用于了解2019冠状病毒病（COVID-19）等传染病的传播模式。模型的传播部分可以通过引入人口接触矩阵以年龄依赖的方式建模，该矩阵描述了年龄组之间的接触率。由于社会联系模式因国家而异，我们可以使用相应的联系矩阵对国家进行比较和分组。在本文中，我们提出了一个框架，聚类国家的接触矩阵的基础上，一个潜在的流行病模型。由于管道是通用和模块化的，我们展示了它在Röst et.该研究提示了在大流行情况下，当只能采取非药物干预措施时，哪些国家可以进行比较。
2022-11-08 cs.LG physics.soc-ph q-bio.PE
Temporal and Spatial Elements in Interactive Epidemiological Maps
自流行病学和公共卫生学科诞生以来，地图就在这些学科中发挥了重要作用。随着地理信息系统和先进的信息可视化技术的出现，交互式地图已成为分析疾病发病率和流行率的地理模式以及传播公共卫生知识的重要工具，COVID-19大流行期间基于网络的地图和疾病监测"仪表板“的激增引人注目地说明了这一点。虽然这种交互式地图在支持静态空间分析方面通常是有效的，但支持空间流行病学可视化和涉及分布式和动态数据源的建模，以及支持分析疾病传播的时间方面，已证明更具挑战性。将这两个方面结合起来，对于互动地图在流行病学和公共卫生工作中的应用至关重要。在本文中，我们讨论了这些问题的背景下，支持疾病监测在偏远地区，包括分布式数据收集，模拟和分析工具，并使多学科合作。
2022-06-13 cs.HC q-bio.PE stat.ME
A Modified PINN Approach for Identifiable Compartmental Models in Epidemiology with Applications to COVID-19
使用房室模型的各种方法已被用于研究COVID-19大流行，而使用这些模型的机器学习方法取得了特别显著的成功。我们在这里提出了一种方法，使用“物理信息神经网络“（PINN）的变体来分析有关Covid-19美国发展的可访问数据，该方法能够使用模型的知识来帮助学习。我们说明了使用标准PINN方法的挑战，然后对损失函数进行适当和新颖的修改，即使在我们的信息不完整的情况下，网络也可以表现良好。还评估了模型参数的可识别性方面，以及使用小波变换对可用数据进行去噪的方法。最后，我们讨论了神经网络方法的能力，以不同的参数值的模型，以及具体的应用程序，估计如何有效的情况下，正在测试的人口，提供了一个排名的美国各州通过各自的测试。
2022-08-18 cs.NE q-bio.PE stat.ML
A Temporal Playbook for Multiple Wave Dengue Pandemic from Latin America and Asia to Italy
本文利用流行病学重整化群框架有效描述登革热多波大流行的时间演变，在拉美和亚洲多国验证，发现感染人数与温度强相关，并预测全球变暖增加病例，最后应用于意大利法诺疫情。
2024-11-06 q-bio.PE stat.AP
Inference in epidemiological agent-based models using ensemble-based data assimilation
为了代表复杂的个人相互作用的疾病传播的动态数据通知，耦合的流行病学代理为基础的模型与集合卡尔曼滤波器。在以前的工作中，已经研究了疾病传播的集成数据同化系统的统计推断。所使用的模型大多是通过常微分方程表示平均场演化的房室模型。这些技术允许从数据中监测感染的传播，并估计流行病学感兴趣的几个参数。然而，有许多重要的功能，这是基于个人的相互作用，不能表示在平均场方程，如社会网络和泡沫，接触跟踪，隔离个人的风险，和社会网络为基础的距离策略。基于代理的模型可以在个人层面上描述联系网络，包括年龄，邻里，家庭，工作场所，学校，娱乐场所等人口统计属性。然而，这些模型有几个未知的参数，因此难以估计。在这项工作中，我们提出了使用集成为基础的数据同化技术来校准基于代理的模型，使用日常流行病学数据。这就提出了一个挑战，即必须调整代理种群以纳入粗粒度数据提供的信息。要做到这一点，两个随机策略，以纠正模型的预测。集合卡尔曼滤波与扰动观测用于联合估计的状态和一些关键的流行病学参数。我们使用为COVID-19设计的基于代理的模型进行实验，并对阿根廷布宜诺斯艾利斯自治市的合成数据和COVID-19每日报告进行评估。
2021-10-29 stat.AP stat.CO
Planning as Inference in Epidemiological Models
University of British Columbia（不列颠哥伦比亚大学）；MILA（米拉研究所）；CIFAR（加拿大高等研究院）；University of Oxford（牛津大学）；Epistemix Inc.（Epistemix公司）
在这项工作中，我们演示了如何通过在现有的流行病学模型中进行推理来自动化传染病控制政策制定过程的一部分。进行的推理任务包括通过直接决策选择计算可控的后验分布，模拟模型参数产生可接受的疾病进展结果。除其他外，我们说明了使用概率编程语言，在现有的模拟器自动推理。无论是这个工具的自动推理的全部功能，也不是它的规划效用是广泛传播的，在目前的时间。及时了解这些基于模拟的模型和推理自动化工具如何应用于支持政策制定，可以减少对经济的破坏性政策处方，特别是在当前的COVID-19大流行期间。
2021-09-15 cs.LG q-bio.PE stat.ML
Estimating Consensus Epidemic Trajectories via a Constrained Power Fréchet Mean with Functional Registration
National Institute of Infectious Diseases, Japan（日本国立感染症研究所）；Institute for Health Security（健康安全保障研究所）；The University of Tokyo（东京大学）
本文提出通过计算带有函数登记的约束功率弗雷歇均值，总结SEIR型 compartmental 模型的多个解，以获得具有部分机理解释的共识流行病轨迹。
2026-08-21 stat.AP
Simultaneous reconstruction of evolutionary history and epidemiological dynamics from viral sequences with the birth-death SIR model
RNA病毒如HIV、丙型肝炎病毒和流感病毒的进化如此之快，以至于病毒的基因组包含了过去生态动态的信息。因此，我们开发了一种动态的方法，使联合估计的流行病学参数和系统发育史。该方法基于房室易感染-感染-清除（SIR）模型，提供了关于感染发生率和患病率的单独信息。关于宿主种群动力学和进化历史相互作用的详细信息可以为如何控制或完全避免疾病爆发的决策提供信息。我们应用我们的死亡SIR方法（BDSIR）的两个病毒数据集。首先，分析了1999年至2003年期间在英国采样的5个人类免疫缺陷病毒1型簇。估计的基本繁殖比在集群之间的范围从1.9到3.2。所有集群都显示，在90年代中期或末期，当地流行病的增长率有所下降。对丙型肝炎病毒（HCV）基因型2c数据集的分析表明，科尔多瓦市Cruz del Eje的当地流行病起源于1906年左右（中位数），与1880- 1920年从欧洲到阿根廷中部的移民潮相吻合。估计流行高峰期在1970年左右。
2014-03-21 math.PR q-bio.PE stat.AP
Statistically-based methodology for revealing real contagion trends and correcting delay-induced errors in the assessment of COVID-19 pandemic
2019冠状病毒病大流行在比我们所能理解的要短得多的时间尺度上重塑了我们的世界。SARS-CoV-2的特殊性，例如其在表面的持久性以及缺乏针对COVID-19的治愈性治疗或疫苗，促使当局采取限制性政策来控制其传播。由于在这一全球突发事件中作出的大多数决定都是由数据驱动的，因此数据的质量对决策行为体来说是一个关键变量，因此应该仔细加以管理。在这项工作中，我们分析了通常报告的流行病学变量和用于诊断的常用测试中的错误来源，以及它们对我们理解COVID-19传播动态的影响。我们讨论了新病例报告中存在的不同延迟，这是由病毒的潜伏时间和检测-诊断时间间隔以及与用于诊断COVID-19的检测的灵敏度/特异性相关的其他误差来源引起的。使用一种基于概率的算法，我们对病例进行时间重新分类，以避免延迟引起的错误，建立以传染有效发生的那一天为中心的新的流行病学曲线。我们还在统计学上增强了在没有直接检测的情况下出院/康复临床标准的稳健性，这通常是非第一世界国家的情况，在这些国家，有限的检测能力完全用于评价新病例。最后，我们应用我们的方法，通过有效生殖数$R_t$评估智利大流行的演变，确定数据误导政府行动的不同时刻。在这样做的过程中，我们的目标是提高公众对流行病学建模和预测需要适当的数据报告和处理协议的认识。
2020-06-24 q-bio.PE stat.AP
Internet search effort on Covid-19 and the underlying public interventions and epidemiological status
疾病传播是一个复杂的现象，需要采取跨学科的办法。2019冠状病毒病在很短的时间内表现出全球空间传播，导致全球大流行。使用政府干预措施（如学校关闭、行动限制、国内和国际旅行限制、呆在家里的要求、口罩要求、财政支持措施）和流行病学变量（如新发病例和新发死亡病例）作为潜在解释协变量，分析了希腊以2019冠状病毒病为主题的一年每周时间尺度的网络搜索数据。使用机器学习分析了网络搜索对Covid-19的影响与16个解释协变量之间的关系。将网络搜索时间与相应的流行病学情况进行比较，以同一周的Rt表示。结果表明，训练后的模型在实际和预测的网络搜索努力之间表现出R2 = 91%的拟合。预测网络搜索努力的前五个变量是新的死亡人数，向非希腊国民开放国际边界，新病例，检测政策和内部流动的限制。网络搜索在Rt达到峰值的同一周达到峰值，尽管新的死亡或新病例在这些日期没有达到峰值，并且Rt很少在公共媒体上报道。由于网络搜索努力和Rt在2020年8月1日至15日（旅游旺季）达到峰值，因此讨论了这一点的影响。
2021-03-22 q-bio.PE q-bio.QM stat.AP
Compartmental Disease Models with Time-Varying Transmission Rates: A Bayesian Generalized Hamiltonian Monte Carlo framework with Applications to COVID-19
Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）；Universidad Autonoma de Madrid（马德里自治大学）；Universidade de Vigo（维戈大学）；Galician Center for Mathematical Research and Technology (CITMAga)（加利西亚数学研究与技术中心）；Euskal Herriko Unibertsitatea (EHU)（巴斯克地区大学）；Basque Foundation for Science (IKERBASQUE)（巴斯克科学基金会）
研究疫情传播中发病率数据问题，提出结合分区模型及时变传播率的贝叶斯框架，用负二项观测模型和广义哈密顿蒙特卡罗进行后验推断，可恢复传播时间变化并量化不确定性，强调选择模型时相关分析及知识的重要性。
2026-07-21 stat.AP stat.CO stat.ME
Efficient Bayesian inference of fully stochastic epidemiological models with applications to COVID-19
流行病学预测受到基本流行病学过程和获取数据的监测过程的不确定性的困扰。我们提出了一个贝叶斯推断方法，量化这些不确定性，流行病（可能）非平稳，连续时间，马尔可夫人口过程建模。该方法的效率来自功能中心极限定理近似的可能性，适用于大人口。我们根据死亡人数的年龄结构数据，分析了英国COVID-19大流行的早期阶段，展示了该方法。这包括最大后验估计、后验的MCMC采样、模型证据的计算以及通过费舍尔信息矩阵确定参数灵敏度。我们的方法在PyRoss中实现，PyRoss是一个用于分析流行病学分区模型的开源平台。
2021-08-13 q-bio.PE stat.ME
