The Impact of Public Safety Measures on the Spread of COVID-19 in the United States Assessed By Causal Model-Based Projections of the Pandemic
新型冠状病毒SARS-CoV-2及其引起的疾病COVID-19于2020年3月11日被世界卫生组织宣布为大流行病。从那时起，这种疾病在世界各地蔓延，美国成为病例最多的国家。世界各国政府已采取不同程度的公共安全措施，包括建议和广告宣传以改善卫生习惯，制定社交距离要求和限制大型公众集会，以及居家令和封锁。在美国，虽然各州的应对措施差异很大，但我们清楚地看到这些公共安全措施的效果是显著的，如果这些措施继续有效，或扩大到全国范围的封锁，疫情可以得到控制，并可能在减轻后果的情况下克服疾病。在本文中，我们使用因果模型对新型冠状病毒的传播进行了建模。我们发现，通过持续的封锁措施，根据这个模型，美国可以将感染总数限制在约135万人，死亡总数限制在约7.2万人。60天的封锁可以挽救无数人的生命。
2020-04-07 q-bio.PE
Detecting Robust Patterns in the Spread of Epidemics: A Case Study of Influenza in the United States and France
在本文中，作者开发了一种方法，检测在不同地区的流行病模式之间的相关性，是由于人类的运动，并引入一个空模型，其中旅行引起的相关性被取消。他们将这种方法应用于美国和法国有充分记录的季节性流感暴发病例。在美国（使用1972-2002年的数据），作者观察到几个州与其近邻之间存在强烈的短程相关性，以及由国内大量空中交通流量造成的强大的长程传播模式。这些结果随时间的稳定性使作者能够得出关于旅行限制对流行病传播可能影响的结论。作者还将这种方法应用于法国（1984-2004）的案例，发现在区域范围内，没有明显主导疾病传播的交通方式。这种方法的简单性和鲁棒性表明，它可能是一个有用的工具，检测传播渠道的流行病的传播。
2008-06-22 physics.soc-ph 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
Stopping the SuperSpreader Epidemic, Part III: Prediction
在之前的两篇论文中，我介绍了SuperSpreader（SS）流行病模型，对预防问题进行了一些理论讨论，并将一些模型与来自正在进行的MERS流行病的公开报道的数据进行了拟合（得出结论，大流行是可能的）。继续这个主题，在这里我讨论预测：在超级传播者事件驱动的疾病爆发中，是否可以定义一个严格的决策点--意味着宣布大流行即将发生。我表明，所有来源的预测偏差有助于产生假阴性（即，当大流行即将来临或已经开始时，不考虑大流行的可能性）。然而，统计上的困难可以通过改进数据收集和使用减少偏差的已知技术来克服。SS流行病的一个特点是，预测有时可以在实际大流行开始之前很久就做出，从而产生提前时间来提醒医学界和公众。因此，建模是有用的，以克服所产生的安全感，从漫长的“点燃时间”的特点SS流行病和某些政治/心理因素，以及改善公共卫生的反应。
2014-06-23 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
Diverse local epidemics reveal the distinct effects of population density, demographics, climate, depletion of susceptibles, and intervention in the first wave of COVID-19 in the United States
SARS-CoV-2大流行在全世界造成了严重的死亡率和发病率，几乎没有一个社区幸免。由于这种疾病在未来几年可能仍然是一种威胁，因此了解人口统计和定居点以及气候、易感人群耗竭和干预等动态因素对局部流行病传播的确切影响对于采取有效应对措施至关重要。我们考虑了美国当地的一整套流行病;广泛的人口统计学，人口密度和气候因素;以及当地的流动性数据，跟踪社交距离干预措施，以确定推动病毒传播和遏制的关键因素。假设第一个线性模型的指数增长率（或衰减）的情况下/死亡率，我们发现，人口加权密度，湿度和中位年龄占主导地位的增长和下降的动态，一旦干预占。对不同大都市地区的关注表明，一些地区受益于几乎同时发生的全国范围内的关闭时间和/或3月中旬的区域气候条件;而其他地区在干预之前就遭受了严重的疫情爆发。使用感染传播的第一性原理模型，然后我们对放松社交距离和当地气候条件的影响进行预测。有证据表明，有相当一部分人口受到感染的少数地区，通过减少易感人口，疫情已部分得到解决（即，“群体免疫”），而美国大部分地区仍然非常容易受到影响。这些结果对于干预策略的优化管理非常重要，这可以通过我们的在线仪表板来实现。
2020-07-01 physics.soc-ph q-bio.PE q-bio.QM
Emerging Polynomial Growth Trends in COVID-19 Pandemic Data and Their Reconciliation with Compartment Based Models
我们研究了2020年1月至5月在119个国家爆发的COVID-19大流行的报告数据。我们观察到，个别国家活跃病例的时间序列（确诊感染总数与报告死亡和康复病例总数之差）显示出与多项式增长的高度一致性，在后期流行阶段也显示出与指数衰减相结合的多项式增长。我们的结果也制定在隔间类型的流行病数学模型。在这些模型中，表征在晚期流行病阶段观察到的状态的通用标度可以被解释为相对繁殖数$R_0$的代数衰减为$T_M/t$，其中$T_M$是常数，$t$是流行病爆发的持续时间。我们展示了我们的研究结果如何应用于改善对报告的大流行数据的预测，并估计一些流行病参数。请注意，尽管该模型显示与报告的数据很好的一致，但我们并没有对流行病的实际规模做出任何声明，因为观察到的报告数据与人口中感染总人数的关系仍然是未知的。
2020-05-14 physics.soc-ph q-bio.PE
Analytical parameter estimation of the SIR epidemic model. Applications to the COVID-19 pandemic
2019年冠状病毒病（COVID-19）大流行的爆发及其持续发展提高了科学界对流行病建模和预测的兴趣。SIR（Susceptible-Infected-Removed）模型是流行病爆发的一个简单的数学模型，然而几十年来，它回避了社区导出明确解的努力。目前的工作表明，这是一个不平凡的任务。值得注意的是，它被证明，该模型的显式解决方案需要引入一个新的超越特殊功能，相关的赖特的欧米茄功能。本手稿报告新的分析结果和数值程序适合SIR模型的参数估计。该手稿介绍了迭代算法近似的发病率变量，它允许估计的模型参数从观察到的情况下的数量。数值方法以欧洲疾病预防和控制中心（ECDC）2020年1月至2020年6月期间几个欧洲国家的数据为例。
2020-10-09 cs.NA math.NA physics.soc-ph
Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic
University of Southern California（南加州大学）
COVID-19的准确预测对资源管理和制定应对疫情的战略至关重要。我们提出了一个异质感染率模型与人类流动性的流行病建模，一个初步的版本，我们已经成功地使用在DARPA大挑战2014年。通过对模型进行线性化并使用加权最小二乘法，我们的模型能够快速适应不断变化的趋势，并在美国国家和州的水平上提供对确诊病例的极其准确的预测。我们发现，在流行病的早期，使用旅行数据增加了预测。训练模型进行预测也可以学习流行病的特征。特别是，我们表明，模型参数随时间的变化可以帮助我们量化一个州或一个国家对疫情的反应。参数的变化也使我们能够预测不同的情况，例如如果我们忽视社交距离建议会发生什么。
2020-05-04 cs.LG q-bio.PE q-bio.QM
Bayesian Optimized Event Based Epidemic Modeling in India
大流行病的爆发在世界各地造成了威胁生命的局面，有一段时间感觉好像它使世界变慢了。正在采取大量努力来减缓流行病的传播。本文的主要目的是建立一个数学模型的流行病在印度的传播的基础上，大规模收集使用分布函数和贝叶斯方法。随后使用广义线性回归根据抵达印度的航班对大流行传播进行建模。我们验证了这些事件对印度确诊病例数量的影响，并从积极意义上制定了确诊病例数量。随后，研究了传染病的进展，使用级数和平坦化曲线，使用适当的收敛准则。我们用政府公布的统计数字验证了理论方面的问题。
2020-10-03 q-bio.PE
Data-Driven Methods for Present and Future Pandemics: Monitoring, Modelling and Managing
本调查分析了数据驱动方法在流行病建模和控制中的作用。我们提供了一个路线图，从访问流行病学数据源到控制流行病现象。我们回顾了现有的方法，并讨论了在制定数据驱动的战略，以打击传染病的传播的挑战。我们的目标是汇集几个不同的学科，提供一个整体的方法来分析流行病，如数据科学，流行病学和系统和控制理论。提出了一个3 M分析，其三个支柱是：监测，建模和管理。重点是数据驱动的计划在应对大流行病带来的三个不同挑战方面的潜力：㈠监测流行病的演变并评估所采取对策的有效性; ㈡对流行病的传播进行建模和预测; ㈢及时作出管理、缓解和抑制传染的决定。对于这一路线图的每一步，我们都回顾了综合的理论方法（包括在其他情况下已被证明是成功的数据驱动方法），并讨论了它们在过去或现在的流行病（如COVID-19）中的应用，以及它们在未来流行病中的潜在应用。
2021-05-30 cs.SY eess.SY q-bio.PE
Epidemic spreading on modular networks: The fear to declare a pandemic
在过去几十年中，由于城市化和国家间流动性的增长，大流行病的频率增加了。由于在一个国家传播的疾病可能成为具有潜在的全球人道主义和经济影响的大流行病，因此开发模型来估计全球大流行病的可能性非常重要。在本文中，我们提出了一个模型的疾病传播的结构模块复杂网络（有社区），并研究如何桥节点$n$的数量连接社区的影响疾病传播。我们发现，我们的模型可以在全球范围内描述为一个社区之间的传染性传播过程，全球传染性和恢复时间分布取决于每个社区的内部结构和$n$。我们发现，随着$n$的增加，在临界点附近，疾病到达大多数社区，但每个社区只有一小部分恢复的节点。此外，我们还得到在极限$n \to \infty$内，大流行的概率在临界点处突然增加。这种情况可能会使是否启动大流行警报的决定更加困难。最后，我们表明，链接渗流理论可以在全球范围内使用，以估计一个流行病的概率，因为社区之间的全球传染性有一个弱的依赖于全球恢复时间。
2020-03-23 physics.soc-ph q-bio.PE
Cointegration of SARS-CoV-2 Transmission with Weather Conditions and Mobility during the First Year of the COVID-19 Pandemic in the United States
天气与SARS-CoV-2传播之间的相关性可能表明其季节性。协整分析可以避免时间序列数据之间的虚假相关。我们研究了美国大流行第一年期间病毒传播与每日温度、露点和流动性测量的混杂因素的协整。我们研究了病毒有效繁殖率Rt与两米处的露点、两米处的温度、苹果驾驶移动性和谷歌工作场所移动性测量的协整。我们发现，露点和苹果驱动的移动性是最好的因素与Rt的共整合，虽然温度和谷歌工作场所的移动性也与Rt在很大程度上共整合。我们发现，最佳的滞后是两天的协整之间的Rt和天气变量，和三天的Rt和流动性。我们观察到集群的状态，共享相似的协整结果的Rt，天气和流动性，这表明区域模式。我们的研究结果支持天气与SARS-CoV-2传播的相关性及其潜在的季节性。
2022-03-31 q-bio.PE stat.AP
Predictive data assimilation through Reduced Order Modeling for epidemics with data uncertainty
在这篇文章中，我们开发了一个数据同化程序来预测数据不确定性的流行病演变，并将其应用于2019冠状病毒病大流行。我们通过求解SIR流行病模型的一组邻近估计的真实（或官方）数据来构建一个vademecum的解决方案。通过本征正交分解（POD），从该vademecum构造一个约化基。减少POD基地，然后应用到同化的流行病数据（感染，恢复，死亡）期间的数据是已知的，通过最小二乘法程序。然后，拟合曲线被用来预测未来几天大流行的演变。安达卢西亚地区（西班牙），意大利和西班牙的验证测试显示，随着同化数据数量的增加，7天的准确预测得到了改善。
2020-04-26 cs.NA math.NA q-bio.PE
Effective Resistance for Pandemics: Mobility Network Sparsification for High-Fidelity Epidemic Simulation
网络科学已日益成为流行病学领域和我们应对传染病威胁能力的核心。然而，许多从现代数据集衍生的网络不仅很大，而且很密集，边与节点的比率很高。这包括人类移动网络，其中大多数位置与许多其他位置有大量链接。模拟大规模流行病需要大量的计算资源，在许多情况下实际上是不可行的。减少在这些网络上模拟流行病的计算成本的一种方法是稀疏化，其中基于其重要性的某种度量来选择具有代表性的边缘子集。我们测试了几种稀疏化策略，从天真的阈值到随机采样的边缘，从美国的移动数据在计算机科学最近的工作，我们发现，最准确的方法使用的有效电阻的边缘，优先边缘，这是唯一有效的方式，他们的端点之间旅行。由此产生的稀疏网络保留了SIR模型行为的许多方面，包括全局量（如流行病规模）和随机事件的局部细节，包括每个节点被感染的概率及其到达时间的分布。即使稀疏网络保留的原始网络边缘少于$10\%$，这也成立。除了它的实际效用，这种方法有助于阐明加权，无向网络的哪些环节是最重要的疾病传播。
2022-07-26 cs.SI physics.soc-ph q-bio.PE
Poverty levels, societal and individual heterogeneities explain the SARS-CoV-2 pandemic growth in Latin America
拉丁美洲正在经历SARS-CoV-2大流行的严重影响，但贫困和薄弱的公共卫生机构阻碍了收集经典SEIR流行病模型所需的精确数据。我们提出了一种替代方法，利用统计生态学和保护生物学的进展，以提高稀疏数据的预测和改善流行病的价值。我们的方法，导致我们所谓的随机流行病Gompertz模型，具有很少的参数，可以灵活地将异质性在人群内和跨时间的传播。我们证明了贫困对14个拉丁美洲国家的流行病进程有很大的影响，并展示了我们的方法如何提供灵活的，随时间变化的疾病风险预测，可用于完善公共卫生战略。
2020-05-22 physics.soc-ph q-bio.PE
Geometric characterization of SARS-CoV-2 pandemic events
当SARS-CoV-2在全球范围内持续传播时，比较不同国家的演变是一个具有理论和实践重要性的及时挑战。事实上，由于流行病因素种类繁多，且因国家而异，因此很难在一个独特和连贯的框架内了解这些因素对流行病趋势的影响。我们提出了一个几何框架来表征，在一个集成的和低维的方式，传染病羽状轨迹跟踪的感染率，$I$，和病死率，$D$，在$(I,D)$平面。我们的分析使定义的流行病学系统的基础上，三个几何观测等级的SARS-CoV-2大流行事件通过规模类似于地震事件的震级和强度。我们的框架具有精美的几何形状，可以应用于对其他流行病数据和二次波进行分类，从而提高了设计流行病警报或预警系统的可能性，以加强公众和政府对快速出现的疫情的反应。
2020-07-20 physics.soc-ph q-bio.PE
Quantifying the transmission potential of pandemic influenza
本文综述了估计大流行性流感基本繁殖数的定量方法，这是一个关键的阈值数量，有助于确定控制该疾病所需的干预措施的强度。虽然很难评估未来可能发生的大流行的传播潜力，但历史流行病学数据很容易从以前的大流行中获得，作为未来大流行规划的参考量，对历史数据进行数学和统计分析至关重要。特别是，由于许多历史记录往往只记录病例或死亡的时间分布（即流行曲线），我们的审查重点是最大限度地利用时间演变数据的方法，并澄清流感传播的详细机制。首先，我们强调结构化的流行病模型及其参数估计方法，可以量化详细的疾病动态，包括我们不能直接观察到的。持续时间结构的流行病系统随后提出，提供坚实的理解的基本和有效的再生产数的定义。当研究流行病的初始增长阶段时，生成时间的分布是使用内在增长率适当估计传播潜力的关键统计信息。随机过程的应用也强调使用类似的数据来估计传输潜力。随后总结了流感数据的关键重要特征，然后是我们的结论，以建议未来可能的方法改进。
2007-12-17 q-bio.PE
Dynamics of epidemic diseases without guaranteed immunity
全球SARS-CoV-2大流行表明了一种新型的疾病传播动力学。世卫组织指出，目前没有证据表明从COVID-19中康复并具有抗体的人对第二次感染具有免疫力。传统的数学模型考虑的情况下，一个恢复的个人再次变得敏感或发展免疫力。在这里，我们研究的情况下，受感染的代理恢复，只有发展免疫力，如果他们连续感染了一段时间。否则，他们会再次变得敏感。我们表明，场论边界的传染率的峰值。因此，该理论的阶段表征了疾病动态：（i）大流行阶段和（ii）反应机制。该模型很好地描述了中国武汉市SARS-CoV-2爆发的流行传播。我们发现只有30%的康复者产生了免疫力。我们预期我们的文件将影响在平衡经济影响及疫情对社会的影响后作出的决策。只要疾病控制措施将疾病动态保持在“应对机制”中，就可以排除大流行升级（“第二波”）。
2020-07-31 physics.soc-ph q-bio.PE
What Can We Estimate from Fatality and Infectious Case Data using the Susceptible-Infected-Removed (SIR) model? A case Study of Covid-19 Pandemic
2019新型冠状病毒病（COVID-19）迅速蔓延，影响几乎所有国家，于2019年底首次报告。由于其高度传染性，世界各国都采取了极其严格的措施来控制其传播。自这场大流行病的最初阶段以来，学术界已经做了大量的研究，以了解这种疾病，开发药物，疫苗和测试，并模拟其传播。在这些研究中，大量的工作都是在早期阶段为受COVID-19影响的国家估计疫情参数，从而预测疫情的进程，但疫情过程中控制措施的变化使建模过程复杂化。本文利用早期资料讨论了基本再生产数的确定、传染期的平均持续时间、流行高峰时间的估计等问题。2020年1月22日至2020年4月18日期间，10个国家的每日病例报告和每日死亡人数使用易感-感染-删除（SIR）模型进行评估。对于每个国家，SIR模型拟合累积感染病例数据在5%的误差进行了分析。据观察，基本繁殖数和传染期的平均持续时间只能在流行病传播结束的情况下估计（在目前的情况下，中国和韩国）。然而，它表明，感染个体的比例的最大值和拐点的时间的时间可以鲁棒地估计从归一化的数据。通过将预测与实际数据进行比较来验证估计数，结果表明，只要保留封锁措施，除美国外，所有国家都实现了预测。
2020-07-10 q-bio.PE q-bio.QM
Epidemic spreading under mutually independent intra- and inter-host pathogen evolution
流行病传播的动力学通常被简化为单个控制参数$R_0$，其值高于或低于1，决定了传染的状态。然而，如果病原体在传播过程中进化，$R_0$可能会随着时间的推移而发生变化，可能导致突变驱动的传播，其中最初的亚流行病原体发生突破性突变。为了预测这一流行阶段的边界，我们在这里引入了一个建模框架，将网络传播模式与宿主内演化动力学耦合起来。对于许多病原体，这两个过程，宿主内和宿主间，是由不同的选择力驱动的。然而，在这里我们表明，即使在这两种力量相互独立的极端情况下，突变仍然可以从根本上改变流行病的相图，其转变现在不仅由$R_0$决定，而且还由流行病和进化时间尺度之间的平衡决定。如果突变太慢，病原体流行在关键突变出现之前就会衰减。另一方面，如果突变太快，病原体的进化就会变得不稳定，并且再次无法传播。然而，在这两个极端之间，我们确定了一系列广泛的条件，在这些条件下，最初的亚大流行病原体可以突破，获得广泛的流行。
2022-11-04 physics.soc-ph q-bio.PE
Modeling and prediction of COVID-19 in the United States considering population behavior and vaccination
COVID-19摧毁了整个国际社会。疫苗提供了一个缓解大流行的机会;然而，疫苗接种的效果与人群的行为反应还没有得到很好的理解。我们提出了一个模型，结合了两个重要的动态变化的人口行为：谨慎和安全感的水平。随着感染病例的增加，谨慎的程度也会增加，而随着疫苗接种的增加，安全感的增加会降低预防行为。据我们所知，这是第一个可以有效重现美国各地区COVID-19感染完整时间历史的模型，并提供了人口行为和疾病传播率动态变化的相关指标。我们提出了一个参数d_I作为一个直接的措施，人口的谨慎对传染病，可以从正在进行的新的传染病病例。该模型提供了一种方法来定量测量的关键传染病属性的人口，包括最高的疾病传播率，有效的疾病传播率，疾病相关的预防行为。我们预测美国未来COVID-19大流行趋势，包括疫苗推广和行为反应。尽管高疫苗接种率对迅速结束大流行至关重要，但我们发现，由于疫苗部署期间安全感的增加，恢复到大流行前的社会行为可能导致感染人数激增。我们的研究结果显示，按目前的疫苗接种速度，美国的新冠肺炎感染病例将于二零二一年八月底接近零。该模型可用于预测未来的流行病和大流行的动态之前和期间接种疫苗。
2021-03-01 physics.soc-ph q-bio.PE
A comparison of heroin epidemic models
在美国，非法药物的使用一直在增加。它对社会非常有害，因为致命的过量是美国第四大死亡原因，与机动车撞车事故大致相同。在所有非法药物中，有一种药物对整个社区产生严重的不良影响，那就是海洛因。本文将讨论两个数学模型--White和Comiskey模型以及作者新近提出的一个描述固定社区内海洛因使用的模型。我们将从两个模型中展示稳定均衡的存在，这表明海洛因使用被根除的情况和它仍然是地方病的情况。
2015-10-15 q-bio.PE
Modelling remote epidemic transmission in Western Australia and implications for pandemic response
我们开发了一个基于代理的疾病传播模型在西澳大利亚州的偏远社区。尽管极端孤立，我们表明，大量的小，但孤立的社区之间的人的流动，造成传播迅速蔓延的影响。偏远社区与区域和城市中心之间的大量流动使感染迅速蔓延到这些偏远社区，然后在这些社区之间蔓延。我们的结论是基于西澳大利亚州偏远社区的两个特征：（1）这些社区的人口流动性高，（2）从非常小的社区到主要人口中心的旅行者比例相对较高。在州首府珀斯发起的感染模型中，这些偏远社区是集体和独特的脆弱群体。我们的模型和分析没有考虑到由于预先存在的条件而可能加剧的影响，这些额外的假设只会使该模型的预测更加可怕。我们主张严格监测和控制人员流动，以防止对西澳大利亚土著居民造成重大影响。
2020-07-15 math.DS q-bio.PE
The COVID-19 pandemic as experienced by the individual
持续的COVID-19大流行在各个国家以不同程度的强度发展，这表明分析各国之间不同的因素非常重要。我们研究的措施“人口加权密度”，捕捉密度由一个随机选择的个人。这些人口密度指标可以显著解释欧洲各国之间COVID-19初始传播速度的差异。然而，这些措施并不能解释全球范围内的差异，特别是考虑到东亚国家或以后对流行病的研究。因此，为了控制国家层面对COVID-19的反应差异，我们考虑了Hofstede提出的跨文化个人主义措施。这个分数可以很好地解释欧洲、北美和东亚流行病规模的差异。使用我们对人口加权密度的测量和霍夫斯泰德得分，我们可以显著解释欧洲和北美目前流行病规模的一半变化。通过控制国家层面对病毒和人口密度的反应，我们对COVID-19全球发病率的分析可以帮助关注对个别国家有效的流行病控制措施。
2020-09-29 physics.soc-ph q-bio.PE stat.AP
A non-homogeneous Markov early epidemic growth dynamics model. Application to the SARS-CoV-2 pandemic
本文提出一种非齐次纯生马尔可夫模型，通过感染与免疫竞争机制刻画疫情早期增长，并应用于拉美国家SARS-CoV-2数据，获得免疫率、感染/免疫比和平均感染间隔三个指标以评估防控效果。
2025-03-10 math.PR q-bio.PE
Reactive Social distancing in a SIR model of epidemics such as COVID-19
提出了一个传染病中的反应性社会距离模型，其中传染率随感染人数而变化。流行病将感染的总人数的最终规模方程可以解析地推导出来，峰值感染比例也可以。该模型可以在例如COVID-19大流行期间帮助规划者。
2020-03-18 q-bio.PE
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
Spatial and temporal dynamics of infected populations: the Mexican epidemic
最近，A/H1N1-2009病毒大流行在墨西哥和其他国家出现。我们提出了一个研究这种流行病在墨西哥的情况下，使用SIR模型来描述流行病。这个模型是最简单的模型之一，但它已经成功地描述了封闭种群的一些流行病。我们考虑墨西哥的情况下的数据，并使用SIR模型作出一些预测。然后，我们推广的SIR模型，以描述疾病的空间动力学。我们的空间和时间传播的感染人口的模型参数是一致的时间SIR模型参数，通过拟合墨西哥的情况下，我们进行了研究。
2012-04-12 physics.bio-ph q-bio.PE
City-Scale Agent-Based Simulators for the Study of Non-Pharmaceutical Interventions in the Context of the COVID-19 Epidemic
我们强调了城市规模的基于代理的模拟器在研究各种非药物干预措施以管理不断发展的大流行中的有用性。我们的研究以COVID-19大流行为背景，并通过在孟加拉国和孟买两个大都市的几个探索性案例研究来展示模拟器的功能。在我们迈向数字健康的过程中，这些工具在任何城市管理部门的工具包中都是常见的。
2020-08-11 cs.OH physics.soc-ph q-bio.PE
Human Mobility Trends during the COVID-19 Pandemic in the United States
于今年三月，COVID-19被宣布为大流行病，并继续威胁公众健康。这场全球健康危机限制了人们的日常行动，使我们社会的每个部门都出现恶化。了解公众对病毒的反应和非药物干预措施，应该对战略性抗击COVID-19有很大帮助。我们的目标是提供有形的证据，人类流动性的趋势，通过比较每天的变化在美国大规模的公共流动性在一个聚合的水平上观察到利用移动终端的位置数据和社交距离相关的措施。我们的研究捕捉了空间和时间的异质性，以及关于大流行传播和非药物干预的社会人口学变化。所有的流动性指标适应捕捉减少公众运动后，国家紧急声明。在所有州，呆在家里的人口都有所增加，并且在居家令之后变得更加稳定，波动幅度较小。收入或人口密度组之间存在总体流动异质性。公众一直在积极应对，自愿更多地呆在家里，对州内确诊病例，而呆在家里的命令稳定了变化。该研究表明，公共交通的趋势与政府敦促呆在家里的信息相一致。我们预计我们的数据驱动分析提供了综合的观点，并作为证据，以提高公众意识，从而加强社交距离的重要性，同时协助政策制定者。
2020-05-06 physics.soc-ph q-bio.PE
Analytical solution of SEIR model describing the free spread of the COVID-19 pandemic
本文研究了SEIR（Susceptible Exposed Infectious Removed）传染病模型.其目的是为受COVID-19大流行影响的人群的峰值和渐近值及其特征时间提供简单的分析表达式。
2020-12-26 physics.soc-ph q-bio.PE
On Control of Epidemics with Application to COVID-19
在撰写本报告时，由严重急性呼吸系统综合征冠状病毒2型（SARS-CoV-2）引起的COVID-19大流行已导致全球超过3200万例感染病例和100多万例死亡。鉴于疫情仍在威胁健康和安全，了解COVID-19的传播过程并了解如何控制它是当务之急。基于这一动机，本文考虑了一个基于SIRD的离散时间随机流行病模型，该模型具有两个不确定性：未发现或无症状感染者的不确定率和控制的不确定有效率.我们的目的是在控制理论框架下研究传染病控制政策对不确定模型的影响。首先，我们提供了封闭形式的解决方案，在修改后的SIRD为基础的模型，如感染病例，易感病例，康复病例，死亡病例的状态。然后，相应的期望状态和技术下限和上界，以及提供这些状态。随后，我们考虑了两个流行病控制问题：一个是几乎必然流行病控制问题，另一个是平均流行病控制问题。在定义了这两个问题之后，我们的主要结果是关于一类线性控制策略的一组充分条件，该线性控制策略确保流行病是“良好控制的”;即，感染病例数和死亡病例数一致上界，且感染病例数渐近收敛于零。我们使用美国历史COVID-19传染数据进行的数值研究表明，与持续的大流行情况相比，我们极具吸引力的简单模型和控制框架可以提供合理的疫情控制性能。
2020-11-02 cs.SY eess.SY math.OC
Unlocking capacities of viral genomics for the COVID-19 pandemic response
由于高通量测序技术的最新进展、SARS-CoV-2的快速全球传播及其对公共卫生的持续威胁，COVID-19大流行的特点是以令人难以置信的速度产生大量病毒基因组数据，这比任何其他传染病流行都要多。然而，区分编码在这些大量数据中的最流行病学相关信息需要整个研究和公共卫生界的大量努力。对SARS-CoV-2基因组的研究对于跟踪变异的传播和了解其流行动力学至关重要，并且可能对控制未来的流行病和减轻重大的公共卫生负担至关重要。总之，基因组数据和生物信息学方法能够在地方，国家和全球范围内对SARS-CoV-2的传播进行大规模调查，并使研究人员能够有效地跟踪新变体的出现，重建流行动力学，并为药物和疫苗开发以及疾病控制提供重要见解。在这里，我们讨论了基因组学提供的巨大机会，以有效利用SARS-CoV-2基因组数据进行有效的公共卫生监测，并指导及时应对COVID-19。
2021-06-04 q-bio.GN q-bio.PE
Epidemic-induced local awareness behavior inferred from surveys and genetic sequence data
针对真实世界数据集中局部认知行为评估的挑战，提出通过分析临床基因序列数据中突变模式、识别超级传播事件并分配遏制评分的方法，验证其可作为局部认知代理指标，为认知建模领域提供重要见解。
2025-04-15 cs.SI physics.soc-ph q-bio.PE
Optimal Vaccine Allocation for Pandemic Stabilization
如何战略性地分配可用疫苗是大流行控制的关键问题。在这项工作中，我们提出了一个最佳稳定疫苗分配的数学框架，我们的目标是用固定数量的疫苗剂量尽快将感染率降至零。该框架使我们能够有效地计算一般流行病传播模型（包括SIS/SIR/SEIR）和新的COVID-19传播模型的最优疫苗分配策略。通过将纽约州的真实数据与我们的框架相匹配，我们发现最优的稳定疫苗分配政策建议优先向易感人群和居民外出时间较长的地区提供疫苗。此外，我们发现优先向年轻人（20-29岁）和中年人（20-44岁）提供疫苗可以最大限度地减少累积感染病例和死亡病例。此外，我们比较了我们的方法与\cite{bubar2021model}中的五个年龄分层策略的流行病模型的基础上。我们还发现，当基本繁殖数$R_0$略高于1时，最好优先向年轻人提供疫苗，以遏制疾病并最大限度地减少死亡，这描述了COVID-19期间的大多数世界。这种现象在\cite{bubar2021model}中被忽略了。
2021-09-10 math.OC q-bio.PE
Controlling Propagation of epidemics via mean-field control
2019冠状病毒病（COVID-19）大流行正在改变并影响全球范围内的生活。在本文中，我们介绍了一个平均场对策模型在控制传染病的传播空间域。在经典的疾病模型中，如SIR模型，首先引入了控制变量空间速度。对于这个模型，我们提供了快速的数值算法的基础上接近原始对偶方法。数值实验表明，该模型说明了如何有效地分离感染的患者在空间域。
2020-11-10 math.OC physics.soc-ph q-bio.PE
Effects of Reactive Social Distancing on the 1918 Influenza Pandemic
1918年流感大流行的特点是多波流行。我们调查了反应性社交距离，一种行为反应形式，以及它对英国多重流感浪潮的影响。在以前的研究中使用了两种形式的反应性社会距离：幂函数，这是最近流感死亡率在人群中的比例的函数，希尔函数，这是最近流感死亡率的实际数量的函数。使用一个简单的流行病模型与幂函数和一组共同的参数，我们提供了一个很好的模型适合在伦敦自治市，伯明翰和利物浦观察到的多个流行病波。我们的方法不同于以往的研究，其中单独的模型适合每个城市。然后，我们将这些模型参数应用于英格兰和威尔士的所有334个行政单位，包括各个行政单位的人口规模。我们计算了皮尔森的相关性之间的观察和模拟数据为每个行政单位。我们实现了0.636的中位数相关性，表明我们的模型预测表现相当不错。我们的建模方法需要减少参数的数量，从而在不过度拟合模型的情况下提高了计算效率。我们的工作具有科学和公共卫生意义。
2017-03-13 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
Pursuing equitable access to vaccines for the next epidemic
本文利用耦合SIRD模型研究两国间疫苗分配时机与大流行持续时间的关系，证明及时共享疫苗对双方均有利，表明自利与利他并不矛盾。
2024-03-29 physics.soc-ph q-bio.PE
Impact of pandemic fatigue on the spread of COVID-19: a mathematical modelling study
2020年末，全球多个国家的新冠确诊病例再次激增，包括英国、加拿大、巴西、美国等，在全国乃至世界范围内掀起了一股巨大的浪潮。虽然有迹象表明，预防疲劳可能是一个关键因素，但迄今尚未提供科学证据。我们使用了一个具有层次结构的随机集合种群模型，并将该模型与美国从疫情爆发开始到2020年底的阳性病例进行了拟合。我们将非药物干预（NPI）纳入该模型，假设预防强度随着阳性病例的增加而增加，并研究了两种类型的流行性疲劳。我们发现，大多数州和整个美国的人对疫情的反应呈次线性（指数k=0.5），而只有三个州（马萨诸塞州，纽约州和新泽西州）呈线性反应（k=1）。病例疲劳（对阳性病例警惕性下降）占58%，而预防疲劳（警惕组最大分数下降）占26%。如果没有大流行疲劳（没有病例疲劳和预防疲劳），阳性病例总数平均将减少68%。我们的研究显示，疫情疲劳是美国COVID-19疫情恶化的主要原因。警惕性降低是大多数阳性病例的原因，较高的死亡率往往促使当地人对疫情作出更快的反应，并保持更长时间的警惕。
2021-04-09 physics.soc-ph q-bio.PE
The Effects of Stringent Interventions for Coronavirus Pandemic
COVID-19疫情在全球范围内造成严重的公共卫生后果。COVID-19的许多干预措施已经实施。评估COVID-19大流行的干预措施的效果具有重大的公共卫生和社会重要性。本文采用综合控制方法、回归不连续性和SIHR模型，对温州市为控制疫情而实施的严格干预措施的横向和纵向效果进行了评估。我们发现，这些严格的干预措施具有统计学显著的治疗效果，减少了COVID-19的累计确诊病例。这些减少效应将随着时间的推移而增加。此外，如果严格的干预措施推迟2天或实施温和的干预措施，预计累计确诊病例数将接近实际数的2倍或5倍。严格的干预措施对缓解COVID-19疫情的效果显著。干预措施实施得越慢，流行病就会越严重，干预措施就会越有力。
2020-05-31 physics.soc-ph q-bio.PE stat.AP
The role of mobility in the dynamics of the COVID-19 epidemic in Andalusia
集合种群模型一直是研究人口密集节点（城市、省、国家）网络上流行病传播的流行工具，并在持续的COVID-19大流行的背景下得到广泛应用。在目前的工作中，我们重新审视了这样一个模型，考虑到一个特殊的案例，即2020年夏秋期间西班牙安达卢西亚地区的案例（即，在第一和第二次大流行浪潮之间）。我们的目的是考虑纳入移动性的可能性，在全省节点集中在移动电话的时间依赖性数据，但也讨论了我们的情况下的例子与重力模型的比较，以及在没有流动性的动态。我们的主要发现是，流动性是定量了解第二波大流行病出现的关键，捕捉这一情况的最准确方法是动态（而不是静态）纳入基于手机数据的时间依赖流动性矩阵。没有流动性的替代办法无法捕捉到本文所考虑的集合种群模型背景下的数据所揭示的趋势。
2022-07-05 physics.soc-ph q-bio.PE
Analyzing COVID-19 pandemic with a new growth model for population ecology
我们提出了种群生态学的一种新的增长率形式。一般来说，增长率取决于特定时期的人口规模。我们引入了另一种与时间相关的增长率形式。这种形式满足描述种群增长的必要条件，可以作为生长模型分析种群动力学的一种替代形式。我们采用广义Richards模型作为准则来比较我们的结果。此外，我们已经将我们的模型应用于流行病的情况。为了检验模型的有效性，我们对2003年SARS数据进行了验证。该模型具有较好的准确性，估计了最终的流行规模。其后，我们拟描述目前的2019冠状病毒病疫情。我们对意大利、西班牙和德国的数据进行了分析。接下来，我们试图预测COVID-19病例的数量以及美国、英国和印度的转折点。
2020-04-27 physics.bio-ph q-bio.PE
Simulation of the COVID-19 pandemic on the social network of Slovenia: estimating the intrinsic forecast uncertainty
本文在一个简化的社会网络上建立了一个病毒传播模型。该社交网络由200多万个节点组成，每个节点代表斯洛文尼亚的一个居民。节点根据真实的家庭和老年人护理中心分布进行组织和互连，而这些集群之外的连接是半随机分布和完全链接的。将病毒传播模型与疾病进展模型耦合。集成方法与扰动的传输和疾病参数被用来量化的合奏传播，预测的不确定性的代理。所呈列的斯洛文尼亚COVID-19疫情持续预测与收集到的斯洛文尼亚数据进行比较。结果表明，目前感染在家庭/老年人护理中心内传播的可能性是在家庭/老年人护理中心外传播的两倍。我们使用模拟集合（N = 1000）来反向获得模型参数的后验分布，并估计COVID-19预测的不确定性。我们发现，在不受控制的流行病中，内在的不确定性主要来源于病毒生物学的不确定性，即其繁殖数。在低感染率的受控流行病中，社会网络的随机性成为预测不确定性的主要来源，特别是对于短期预测。因此，基于社会网络的模型对于改进流行病预测至关重要。
2020-05-27 cs.SI physics.soc-ph q-bio.PE
Can Efficient Detection and Isolation Control an Epidemic?
世界卫生组织（世卫组织）强烈建议将检测和隔离作为控制持续的COVID-19大流行的策略。本文的目标是量化的影响，检测和隔离的正式模型的流行病的不同复杂性。这种模式的一个关键参数是基本再生产率。我们发现，一个有效的检测和隔离策略，导致基本的再生比的减少，甚至可以导致这个比例变得低于一。
2020-06-08 q-bio.PE
A systematic review of COVID-19 epidemic models with endogenous human behaviour. What's next?
University of Pisa（比萨大学）；University of Florence（佛罗伦萨大学）；Bocconi University（博科尼大学）；University of Trieste（的里雅斯特大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；University of Waterloo（滑铁卢大学）；IRTA-Leonardo, Istituto di Ricerca sul Territorio e l’Ambiente（领土与环境研究所（IRTA-Leonardo））
本文系统综述了内源性人类行为的COVID-19传播模型，发现数据使用扩大但行为数据有限、模型结构创新不足，并提出加强数据基础设施、AI和跨学科合作等建议。
2026-06-12 physics.soc-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
New Trends on the Systems Approach to Modeling SARS-CoV-2 Pandemics in a Globally Connected Planet
本文批判性分析SARS-CoV-2流行病建模文献，提出超越确定性动力学、考虑多尺度复杂性、交通网络与人口异质性等的新数学工具，以支持危机管理决策。
2024-05-03 nlin.AO physics.soc-ph q-bio.PE
Ostwald growth rate in controlled Covid-19 epidemic spreading as in arrested growth in quantum complex matter
在此，我们着重对启动不同遏制政策的国家的COVID-19疫情传播增长情况进行数据分析。众所周知，大流行病传播的增长在其临界点是指数级的，但不知道如何量化不同遏制政策的成功。我们确定，一个成功的方法给出了一个逮捕相制度后的奥斯特瓦尔德增长，其中，随着时间的推移，一个阶段转化为另一个亚稳相具有类似的自由能观察到的氧间隙扩散在量子复杂的物质和蛋白质的结晶。我们引入S因子，量化衡量所采取遏制政策的效率和速度，这不仅对监测COVID-19大流行的传播非常有帮助，而且对其他国家选择最佳遏制政策也很有帮助。结果表明，基于联合隔离、有针对性的检测和追踪阳性病例的政策是最快速的大流行遏制政策;事实上，我们发现中国、韩国和意大利的成功s因子值分别为9、5和31，其中最低的s因子表示最佳遏制政策
2020-03-29 cond-mat.other physics.soc-ph q-bio.PE
Evolution of mutating pathogens in networked populations
本文研究网络化种群中病原体以死亡平均时间为突变参数的持续演化，结合解析与数值模拟揭示自然选择使较温和病原体占优，并利用新冠数据解释变异株传播过程。
2025-09-27 physics.soc-ph q-bio.PE
Markovian And Non-Markovian Processes with Active Decision Making Strategies For Addressing The COVID-19 Pandemic
我们使用基于离散区间的模型研究和预测了5月1日至8月31日期间美国六个州的COVID-19演变，并在部分可观察马尔可夫决策过程的广泛框架内，基于最小化损失函数，规定了积极的干预政策，如封锁。对于每个州，分析40天的新冠肺炎数据（北部两个州从5月1日开始，南部四个州从6月1日开始），以估计隔间之间的转移概率和与疫情演变相关的其他参数。然后，这些量被用来预测在不同的政策分配下，在给定的状态下，未来50天（测试期）的流行病的过程，导致在训练范围内损失函数的不同值。最优策略分配是对应于最小损失的策略分配。我们的分析显示，在测试期间，这六个州都不需要封锁，尽管不封锁的规定需要谨慎解释：当然需要继续负责任地使用口罩和保持社交距离。详细讨论了这种流行病传播模型中涉及的注意事项。一个关于Covid-19传播（以及更一般的流行病传播）的非马尔可夫公式的草图被认为是该领域未来研究的一个有吸引力的途径。
2020-08-05 physics.soc-ph q-bio.PE stat.AP
Data-Driven Methods to Monitor, Model, Forecast and Control Covid-19 Pandemic: Leveraging Data Science, Epidemiology and Control Theory
Universidad de Sevilla（塞维利亚大学）；Universidad Loyola Andalucía（安达卢西亚洛约拉大学）
本文件分析数据驱动方法在新型冠状病毒疫情中的作用。我们提供SWOT分析和路线图，从访问数据源到最终决策步骤。我们的目标是检讨可用的方法，同时预测在制定数据驱动的策略以应对新型冠状病毒疫情方面的困难和挑战。提出了3M分析：监测、建模和决策。重点是众所周知的数据驱动计划在应对疫情带来的不同挑战方面的潜力：㈠监测和预测疫情的蔓延; ㈡评估政府决策的有效性; ㈢及时作出决策。路线图的每一步都通过对综合理论结果及其在新冠肺炎背景下的潜在应用的审查进行了详细说明。在可能的情况下，我们提供了它们在过去或现在流行病中的应用实例。我们不提供方法、算法和应用的详尽列举。我们确实试图作为不同学科之间的桥梁，为流行病提供一个整体的方法：数据科学，流行病学，控制理论等，也就是说，我们强调有效的数据驱动的方法，已被证明是成功的，在其他情况下，并在拟议的路线图的不同步骤中有潜在的应用。为了使本文档更实用，并适应每个学科的具体情况，我们鼓励研究人员和从业人员提供反馈。我们将定期更新此文档。
2020-06-10 cs.LG physics.data-an physics.soc-ph
Why integral equations should be used instead of differential equations to describe the dynamics of epidemics
至关重要的是要了解和跟踪迅速蔓延的流行病的动态。当前COVID-19大流行的健康和经济后果提供了一个尖锐的案例。在这里，我们指出，由于它们是基于微分方程，因此最广泛使用的流行病传播模型受到近似的困扰，而在当前的COVID-19大流行病中，这种近似是不合理的。以纽约市的数据为例，我们表明，目前使用的模型显着低估了初始基本再生数（$R_0$）。正确的描述，积分方程的基础上，可以实现在大多数报告的模型，它更准确地占了动态的流行病后，急剧变化的$R_0$由于限制性的公众集会措施。它还提供了一种确定潜伏期的新方法，最重要的是，正如我们在几个国家所证明的那样，这种方法可以准确监测$R_0$，从而微调任何限制性措施。基于积分方程的模型不仅提供了概念上正确的描述，而且比基于微分方程的模型具有更高的预测能力，因此我们看不到使用后者的任何理由。
2020-04-27 q-bio.PE
