Study of COVID-19 epidemiological evolution in India with a multi-wave SIR model
自二零一九年十二月以来，COVID-19爆发导致的全球大流行肆虐全球两年多，所有国家均遭受重创。为了控制这一流行病感染的持续浪潮，已经尝试在几个数学模型的帮助下以确定性方法来理解这一流行病的动态。本文研究了一个多波SIR模型的特征，成功地解释了印度大流行波的特征。该模型的稳定性进行了研究，通过确定平衡点，以及通过寻找相应的雅可比矩阵的特征值。发现复特征值最终导致三类种群，即易感种群、感染种群和迁移种群的振荡解。在这个模型中，一个有限的概率恢复的人再次成为易感性，最终导致振荡的解决方案，换句话说。对微分方程组进行了数值求解，以获得易感者、感染者和清除者的数量随时间的变化。在这种现象学的研究中，最后一个额外的修改，以解释非周期振荡，发现有必要捕捉的流行病学波的功能，特别是在印度。
2022-02-10 cs.CY math.DS q-bio.PE
Nonlinear dynamic analysis of an epidemiological model for COVID-19 including public behavior and government action
本文关注的是对目前肆虐地球的COVID-19大流行的非线性建模和分析。有两个目标：以达到一个适当的模型，忠实地捕捉收集到的数据，并以此为基础，探索非线性行为。我们使用一个非线性SEIR（易感，暴露，传染性和删除）传输模型，增加了行为和政府政策的动态。我们开发了一种遗传算法技术，采用韩国的COVID 19数据来识别关键模型参数。分析了系统的稳定性、分岔和动力学行为。参数分析揭示了持续流行病均衡发生的条件。这项工作指出了非线性动态分析在流行病建模中的价值，并展示了社会和政府行为对疾病动态的巨大影响。
2020-10-14 physics.soc-ph q-bio.PE
A COVID-19 Epidemiological Model for Community and Policy Maker Use
在MATLAB/GNU Octave中开发并实施了COVID-19流行病学模型，供公共卫生从业者、政策制定者和公众使用。该模型区分了疾病的四个阶段：感染、患病、重病和好转。根据对疾病传播的观察，对模型进行了初步参数化。该模型与1.5%的死亡率一致。该模型的初步模拟表明，“群体免疫”和“曲线平坦化”等概念在这种病毒的背景下具有很大的误导性。基于这些概念的公共政策不足以保护人民。只有将病毒的R 0降低到1以下，才是将COVID-19的死亡负担维持在季节性流感的正常范围内的有效策略。由于2020年2月底至3月初，该模型估计的R 0值在中国以外的全球范围内为2. 82，在西方世界为3. 83，这意味着需要有效性超过65%（全球）或75%（西方世界）的社交距离才能成功对抗病毒。
2020-03-22 q-bio.PE
Epidemiological study of novel coronavirus (COVID-19)
我们报告了一些新型冠状病毒（COVID-19）高度感染国家的统计分析。用Logistic方程、Weibull方程和Hill方程等多种增长模型对累计感染数据进行拟合，得到前10个高感染国家的幂指数。新感染的数据符合高斯分布，对于感染曲线似乎饱和的国家，峰值在约40天。不同国家受感染者的生长动力学相似，这为采取适当预防措施以尽量减少人类损害提供了第一手指导。
2020-03-25 physics.app-ph physics.bio-ph physics.med-ph
Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；Xidian-FIAS International Joint Research Center（西安电子科技大学-法兰克福高等研究院国际联合研究中心）；Institut für Theoretische Physik, Goethe Universität Frankfurt（法兰克福大学理论物理研究所）；GSI Helmholtzzentrum für Schwerionenforschung GmbH（GSI亥姆霍兹重离子研究中心）；Xidian University（西安电子科技大学）
本文提出将嵌入 SIR 模型的物理信息神经网络（PINN）用于传染病动力学建模，通过在合成数据和德国 COVID-19 数据上的实验证明其能准确识别和预测疫情传播趋势，展示了机器学习与仓室模型结合研究流行病的高潜力。
2023-02-20 cs.LG math.DS physics.soc-ph
Coronavirus Covid-19 spreading in Italy: optimizing an epidemiological model with dynamic social distancing through Differential Evolution
本文的目的在于应用最近的流行病学模型，即SEIR与社会距离（SEIR-SD），通过定义随时间变化的社会距离函数，在此扩展，以评估意大利及其两个最重要地区，即，伦巴第和坎帕尼亚。为了有效地使用该模型，必须找到其参数的最合适的值。SEIR-SD模型参数的估计通过使用差分进化，一种启发式优化技术来进行。通过这种方式，我们能够对上述三种情况中的每一种情况评估从今天到病毒传播结束的每日感染病例数，这一数字将达到最高峰的那一天，以及感染病例将非常接近于零的那一天。
2020-04-04 cs.SI physics.soc-ph q-bio.PE
COVID-19 and the difficulty of inferring epidemiological parameters from clinical data
了解感染死亡率对于循证流行病管理至关重要：对于立即规划;对于平衡由于管理后果而节省的生命年与损失的生命年;以及对于评估与默认愿意为流行病损失的生命年支付比其他疾病更多的生命年相关的伦理问题。在此背景下，Verity等人（2020，Lancet Infections Diseases）快速收集了病例数据，并使用统计建模来推断COVID-19的IFR。我们试图对他们的方法进行深入的统计审查，以确定数据在多大程度上足以提供IFR的信息，从而比建模假设发挥更大的作用，并试图确定那些似乎发挥关键作用的假设。鉴于其他数据来源的困难，我们提供了一个粗略的替代分析的基础上，钻石公主邮轮数据和病例数据从中国，并认为，鉴于数据问题，临床数据的建模，以获得IFR只能是一个权宜之计。所需要的是通过聚合酶链反应和/或对高危人群的随机样本进行抗体检测来近乎直接地测量流行病的规模。
2020-05-05 q-bio.PE q-bio.QM
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
Modeling the transmission of new coronavirus in São Paulo State, Brazil -- Assessing epidemiological impacts of isolating young and elder persons
我们开发了一个数学模型来描述新型冠状病毒在巴西圣保罗州的传播。该模型将社区划分为由年轻人和老年人组成的亚群，以考虑到患有严重CoViD-19的老年人的死亡风险较高。根据在圣保罗州收集的数据，我们估计了传播率和额外死亡率，并由此计算出基本生殖数R 0。根据估计的参数，CoViD-19导致的死亡估计值比文献中发现的低三倍。考虑到隔离作为一种控制机制，我们改变了年轻人和老年人的隔离率，以评估其流行病学影响。流行病学情景主要侧重于评估在人群中引入隔离时严重CoViD-19病例和死亡人数。
2020-04-12 q-bio.PE
An epidemiological compartmental model with automated parameter estimation and forecasting of the spread of COVID-19 with analysis of data from Germany and Brazil
在这项工作中，我们采用流行病学SIR模型来研究COVID-19在德国和巴西（全国范围内，帕拉伊巴州和Campina Grande市）的传播演变。我们证明了模型动力学的适定性和对参数的连续依赖性。我们还提出了一个简单的概率方法的演变的活跃的情况下，有助于自动估计的流行病学模型的参数。我们获得了统计估计的活动情况下的概率方法和确认的情况下的数据。从这个估计的时间序列，我们得到了一个时间依赖的传染率，这反映了较低或较高的遵守社会距离的参与人群。通过分析每日死亡数据，我们获得了每日死亡率和恢复率。然后，我们集成的运动方程的模型，使用这些时间相关的参数。我们验证我们的流行病学模型，通过拟合官方数据的确认，康复，死亡和活跃的病例，由于大流行的理论预测。我们用这种方法得到了很好的数据拟合。这里开发的自动化程序基本上可以用于任何人群，只需最少的额外工作。最后，我们还提出并验证了一个预测方法的基础上马尔可夫链的流行病学数据的演变长达两周。
2020-11-11 physics.soc-ph q-bio.PE
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
A Discrete-Time Compartmental Epidemiological Model for COVID-19 with a Case Study for Portugal
在[Ecological Complexity 44（2020）Art. 100885，DOI：10.1016/j.ecocom.2020.100885]中，以2020年3月2日至5月4日的葡萄牙为例，提出了2019年冠状病毒病（COVID-19）传播的连续时间分区数学模型，并分析了无病平衡（DFE）的局部稳定性。在这里，我们提出了一个类似的离散时间模型，并使用适当的李雅普诺夫函数，我们证明了全局稳定性的DFE点。使用COVID-19实际数据，我们通过数值模拟证明了所得理论结果的一致性。
2021-11-23 cs.NA math.NA physics.soc-ph
COVID-19 severity determinants inferred through ecological and epidemiological modeling
COVID-19临床严重程度的决定因素通常通过死亡人数的横向或纵向研究进行评估。然而，死亡人数取决于疾病的临床严重程度和传染性，因为感染人数越多，死亡人数也就越多。此外，死亡人数（以及病死率等相关指标）是动态量，因为它们出现在感染的延迟期，而不同的地理区域通常属于流行病曲线上的不同点。相反，我们使用流行病学建模提出了一个疾病严重程度的措施，占潜在的疾病动态。这一衡量标准对应于人口平均死亡率与恢复率的比率（m/r）。它独立于疾病传播动力学（即，基本再生数），并具有直接的机械解释。我们使用该方法来评估与疾病严重程度相关的人口统计学、医学、气象和环境因素。为此，我们采用了生态回归研究设计，并在第一次疾病爆发期间分析了美国不同的州。主成分分析，然后是基于机器学习技术的单变量和多变量分析，用于选择重要的预测因子。在不使用临床研究的先验知识的情况下，我们恢复了已知影响疾病严重程度的重要预测因素，特别是年龄，慢性疾病和种族因素。此外，我们确定长期的污染暴露和人口密度作为疾病严重程度的预测因子，并没有得到广泛的认可（尽管对于以前假设的污染）。整体而言，建议的措施可用于推断COVID-19及其他传染病的严重程度决定因素，所得结果可帮助更好地了解COVID-19风险。
2021-08-31 q-bio.PE
Exo-SIR: An Epidemiological Model to Analyze the Impact of Exogenous Infection of COVID-19 in India
流行病模型是描述流行病动态的数学模型。病毒的传播有两种途径-外源性和内源性。外源性传播来自研究人群之外，内源性传播来自研究人群之内。虽然一些模型考虑了外源性传染源，但它们没有研究外源性和内源性传播之间的相互作用。在本文中，我们介绍了一种新的模型-Exo-SIR模型，捕捉外源性和内源性的病毒传播。我们通过分析找出Covid 19大流行期间内源性和外源性感染之间的关系。首先，我们模拟Exo-SIR模型，而不假设人口的任何接触网络。第二，假设接触网络是无标度网络进行模拟。第三，我们在关于Covid 19的真实数据集上实现了Exo-SIR模型。我们发现，即使是最小的外源性感染率，内源性感染也会受到影响。另外，我们还发现，在外源感染的存在下，内源感染峰变得更高，并且峰出现更早。这意味着，如果我们考虑对像Covid 19这样的大流行病的应对，如果存在外源性感染源，我们应该为比SIR模型所建议的更早和更多的病例做好准备。
2020-09-19 cs.CY cs.SI q-bio.PE
Identification of an Epidemiological Model to Simulate the COVID-19 Epidemic using Robust Multi-objective Optimization and Stochastic Fractal Search
传统上，反问题的制定和解决方案中的参数识别认为，模型，变量和数学参数是免费的不确定性。这一方面简化了估计过程，但没有考虑设计变量相对较小的变化对目标函数的影响。本文采用SIDR（Susceptible，Infected，Dead and Available）模型来模拟新型冠状病毒病（COVID-19）的动态行为，通过构造鲁棒反问题，即考虑设计变量的敏感性，来估计其参数。为此，制定了一个强大的多目标优化问题，考虑最小化的不确定性相关的估计过程和最大化的鲁棒性参数。为了解决这个问题，多目标随机分形搜索算法是与有效平均的概念，用于评估的鲁棒性。考虑中国疫情的实际数据得到的结果表明，设计变量的敏感性评估可以提供更可靠的结果。
2020-05-30 math.OC q-bio.PE
An epidemiological model for the spread of COVID-19: A South African case study
为COVID-19在南非的传播建立了流行病学模型。使用经典的房室SEIR模型的变体，称为SEIQRDP模型。由于南非仍处于全球COVID-19大流行的早期阶段，确诊感染病例尚未达到峰值，因此SEIQRDP模型首先根据德国、意大利和韩国的数据进行参数化，这些国家的感染病例数已远远超过峰值。通过合理预测COVID-19确诊病例、死亡病例和康复病例的数量将在何处结束以及何时结束，可以实现良好的拟合。然后使用2020年3月23日至5月8日期间的南非数据来获得SEIQRDP模型参数。结果发现，该模型拟合初始疾病进展良好，但该模型的长期预测能力是相当差的。南非SEIQRDP模型随后重新计算的基本再生数限制到报告的值。由此产生的模型与数据拟合良好，长期预测似乎是合理的。南非SEIQRDP模型预测，2020年10月底将出现确诊感染个体数的峰值，总死亡人数约为1万至9万人，名义值约为2.2万人。所有这些预测在很大程度上取决于疾病控制措施到位，并坚持这些措施。这些预测被进一步证明是特别敏感的参数，用于确定的基本再现数。未来的目标是使用反馈控制方法与南非SEIQRDP模型，以确定南非政府提出的不同封锁水平的流行病学影响。
2020-05-22 physics.soc-ph q-bio.PE
Estimation of time-varying reproduction numbers underlying epidemiological processes: a new statistical tool for the COVID-19 pandemic
新型冠状病毒大流行已迅速演变成一场前所未有的危机。无传染性移除（SIR）模型及其变体已被用于对大流行进行建模。然而，在经典模型中的时间无关的参数可能无法捕捉到动态的传播和清除过程，由病毒遏制策略采取的流行病的各个阶段。此外，很少有模型能够解释报告案例中可能存在的不准确之处。我们提出了一个泊松模型与时间相关的传输和清除率，以考虑可能的随机错误报告和估计时间相关的疾病繁殖数，这可能是用来评估病毒控制策略的有效性。我们应用我们的方法研究了几个受影响严重的国家的大流行，并分析和预测了冠状病毒的传播。我们已经开发了一个互动的网络应用程序，以方便读者使用我们的方法。
2020-07-14 q-bio.PE stat.CO stat.ME
Epidemiological parameter sensitivity in Covid-19 dynamics and estimation
COVID-19是世界上威胁人类的最可怕的流行病/流行病之一。这种流行病的动态相当复杂，对流行病状态的预测常常失败。在这项工作中，我们研究和相关的SIR流行病模型与正在进行的大流行病，发现流行病的动力学和状态是相当敏感地依赖于模型参数。对确定性SIR模型的精确参数解的分析表明，不动点（$g^*$）依赖于SIR参数，其中，如果$g^*\langle\fracγ{βx_0}$，则$g^*$是稳定的，大流行是可以控制的;如果$g^*\rangle\fracγ{βx_0}$，则$g^*$是不稳定的，表明大流行处于活跃状态，而$g^*=0$对应于地方病状态.动力学表现出渐近稳定分岔。随机SIR模型的解析解允许预测流行时间$t_E\propto\frac{1}γ$和平均感染人口成为常数的小值的$γ$。系统中的噪音甚至可以调节流行病的动态。因此，我们估计这些参数的值在锁定期间使用ABC SSA算法，并发现强烈的依赖于控制策略，即锁定，并遵循幂律行为。数值结果显示与真实数据高度一致，并对疫情控制中的社交距离或封锁产生积极影响。
2021-10-01 nlin.AO q-bio.PE
Bridging the COVID-19 Data and the Epidemiological Model using Time Varying Parameter SIRD Model
本文扩展了流行病学的经典模型SIRD模型，以允许时变参数实时测量COVID-19大流行的态势。模型参数的时间变化是使用为与大流行相关的典型每日计数数据设计的广义自回归得分建模结构来捕获的。由此产生的规范允许一个灵活而简约的模型结构，具有非常低的计算成本。在大流行病爆发之初，当数据稀缺且不确定性很大时，这一点尤为重要。全样本结果显示，美国、巴西及俄罗斯等国家仍未能控制疫情，其中美国表现最差。此外，伊朗和韩国可能会经历第二波大流行。一项实时测试显示，拟议架构领先于使用滚动窗口的竞争对手，及时准确地提供有关疫情当前态势的信息。这反过来又转化为对活跃病例的准确短期预测。我们进一步修改模型，以考虑未报告的情况。结果表明，这些情况下的存在对估计结果的影响逐渐减少，接近年底的样本测试的数量增加。
2021-02-10 econ.EM q-bio.PE stat.AP
Choosing a growth curve to model the Covid-19 outbreak
Richards家族模型包括一组众所周知的模型，这些模型具有描述疾病爆发的几个方面的有用参数。其中一些模型已被用于研究当前的新冠肺炎疫情。然而，在竞争模式之间的歧视方面似乎存在混乱。在本文中，详细的应用Akaikes信息的方法是用来识别模型使用的数据来自欧盟，美国和英国。我们认为，来自竞争模型的流行病学特征，应检查，以补充选择策略，和隐含的属性的模型与现有的数据进行对比。所选择的参数化隐含的流行病学特征的详细的分析表达式也提供。
2020-07-07 q-bio.PE
A New Compartmental Epidemiological Model for COVID-19 with a Case Study of Portugal
我们提出了COVID-19疾病传播的分区数学模型，显示其对葡萄牙大流行的有用性，从该国的第一例记录病例到三个紧急状态结束。新的成果包括房室模型，描述了一个系统的七个常微分方程;证明的积极性和有界的解决方案;调查的平衡点和稳定性分析;计算的基本再生数;和数值模拟与官方的真实数据从葡萄牙卫生当局。除了全新之外，所提出的模型还可以很好地描述COVID-19在葡萄牙的传播，不仅可以同时拟合活跃感染者的数量，还可以同时拟合住院患者的数量，相对于初始人群，$L^2$误差分别为$9.2152e-04$和$1.6136e-04$。这样的结果是非常重要的，从实用的角度来看，从数学的角度来看，远非微不足道。此外，所获得的基本再生产数的值与葡萄牙当局在紧急状态结束时给出的值一致。
2020-11-17 physics.soc-ph q-bio.PE
Agent-based modeling of COVID-19 outbreaks for New York state, UK and Novosibirsk region
本文使用Covasim（COVID-19的基于代理的模型（ABM））来评估纽约州（美国），英国和新西伯利亚地区（俄罗斯）的流行病传播情况。传染性（病毒传输速率）、初始感染人数和接受检测的概率等流行病学参数取决于该地区的人口和地理特征，以及所采取的遏制措施;这些参数根据相关地区COVID-19传播的数据进行校准。在我们研究的第一阶段，分析了上述每个地区的流行病学数据（检测人数、诊断人数、危重病例、住院人数和死亡人数）。这些数据的特征在于季节性，平稳性和依赖空间，并使用机器学习技术外推，以指定模型的未知流行病学参数。在第二阶段，Optuna优化器基于树Parzen估计方法的目标函数最小化应用于确定模型的未知参数。该模型已使用2020年的历史数据进行验证。纽约州、英国及新西伯利亚地区的COVID-19传播模拟结果显示，若保持检测及遏制措施水平，纽约州及新西伯利亚地区的阳性病例数于二零二一年三月将维持不变，而英国则会减少。由于新西伯利亚地区数据的特点（两个数据集被描述为概率为1的平稳序列），住院人数的预测精度相对较高，但新冠肺炎病例的预测精度较低。
2021-06-23 math.DS math.OC q-bio.PE
Suppression of Groups Intermingling as Appealing Option For Flattening and Delaying the Epidemiological Curve While Allowing Economic and Social Life at Bearable Level During COVID-19 Pandemic
在这项工作中，我们模拟了COVID-19流行病在人群中的动态，该人群被建模为一个群体网络，其中感染可以通过群体内和群体间的相互作用传播。我们的研究结果强调了减少群体间感染的重要性，努力使epi（传染病）曲线大幅变平和延迟，同时减轻灾难性的经济和社会后果。为了证明一个极限情况，将一个群体分成m个（比如5或10个）不相互作用的群体，同时保持群体内的相互作用不变，会产生一条拉伸的流行病学曲线，其每日最大感染数在时间上减少和推迟了相同的因子$m$（5或10）。更一般地说，我们的研究提出了一种实用的方法来对抗SARS-CoV-2病毒的传播，该方法基于将人群分成不同的群体，并最大限度地减少他们之间的混合。这一战略可以通过在大型后勤单位的不同层次上对活动进行大规模的基础设施重组来实施（例如，大型生产网络、工厂、企业、仓库、学校、（季节性）收获工作）。重要的是，与完全锁定策略不同，所提出的方法可以防止经济崩溃，并使社会生活保持在一个更高的水平，而不是使每个人都远离任何人。最后但并非最不重要的是，欧洲首次宣布COVID-19疫情在斯洛文尼亚的200万人中结束，这可能被视为证实了本文提出的战略的优势。
2020-06-02 physics.soc-ph q-bio.PE
Modelling the COVID-19 epidemic and the vaccination campaign in Italy by the SUIHTER model
已提出若干流行病学模型以研究COVID-19大流行的演变。在本文中，我们提出了一个扩展的SUIHTER模型，首先介绍了[Parolini等人，Proc R. Soc. A.，2021年]，以分析COVID-19在意大利的传播情况，这是疫苗接种运动和新变种成为主导时存在的原因。特别是，基于临床证据，对变体的具体特征（例如其增加的传播率）和疫苗（例如其预防传播、住院和死亡的功效）进行建模。通过与其他流行病学模型的近期预测能力比较以及不同情景分析，验证了新模型的有效性。
2021-12-22 cs.NA math.NA q-bio.PE
Quantifying Inaccuracies in Modeling COVID-19 Pandemic within a Continuous Time Picture
通常，对COVID-19大流行预测的数学模拟研究是基于确定性微分方程，该方程假设各种流行病学类别中的个体数量（$n$）和它们所依赖的时间（$t$）都是连续变化的量。这一情况与$n$和$t$的离散表示形成对比，后者是根据每日感染病例数报告的真实流行病学数据的基础，基于有限差分方程的描述将更合适。采用逻辑增长框架，本文提出了一个定量分析的错误所引入的连续时间描述。该分析表明，尽管流行病学曲线最大值的高度基本上不受影响，但在连续时间表示中获得的位置$T_{1/2}^{c}$相对于在离散时间表示中预测的位置$T_{1/2}^{d}$在时间上系统地向后移动。相反，与直觉相反，这种时间偏移$τ\equiv T_{1/2}^{c} - T_{1/2}^{d} < 0$的幅度基本上对感染率$κ$的变化不敏感。对于在极端情况下（时间呈指数增长和完全封锁）从COVID-19数据推导出的广泛$κ$值，我们发现了相当稳健的估计值$τ\simeq -2.65\,\mbox{day}^{-1}$。在没有任何特定假设的情况下获得，本数学结果适用于一般的逻辑增长，而不限于特定的实际系统。
2020-09-04 physics.bio-ph physics.soc-ph q-bio.PE
Dynamic causal modelling of mitigated epidemiological outcomes
本技术报告描述了基于各种时间序列数据对缓解的流行病学结局进行动态因果建模的原理和技术细节。它详细介绍了底层卷积或生成模型的结构（在2020年11月6日撰写本文时）。此报告旨在用作以下仪表板中预测的参考：www.example.com
2020-11-24 physics.soc-ph q-bio.PE
SEIHRDV: a multi-age multi-group epidemiological model and its validation on the COVID-19 epidemics in Italy
提出多年龄、多场景的 SEIHRDV 流行病学模型，并利用意大利疫情数据验证，以支持干预、疫苗接种与 Green Pass 情景分析及预测。
2025-01-07 cs.NA math.NA q-bio.PE
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
Deep Dynamic Epidemiological Modelling for COVID-19 Forecasting in Multi-level Districts
Shanghai Jiao Tong University（上海交通大学）；Shenzhen University（深圳大学）；Shanghai Jiao Tong University Affiliated Sixth People’s Hospital（上海交通大学附属第六人民医院）；The Ohio State University（俄亥俄州立大学）；The University of Sydney（悉尼大学）
针对 COVID-19 在多层级区域的预测，提出深度动态流行病学（DDE）方法，融合 SEIR 方程与深度学习，实现高精度拟合与机制可视化，优于传统参数估计及多种学习方法。
2023-06-21 cs.AI cs.LG q-bio.PE
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization
University of Minnesota（明尼苏达大学）；IQVIA（艾昆纬）；University of Virginia（弗吉尼亚大学）；Temple University（天普大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
准确预测COVID-19等流行病的传播对实施有效的缓解措施至关重要。在这项工作中，我们开发了一个张量方法来预测多个地区同时流行趋势的演变。我们构造了一个3向时空张量（位置，属性，时间）的情况下计数，并提出了一个非负张量分解与潜在的流行病学模型正则化命名为STELAR。与标准的张量分解方法，不能预测板坯提前，STELAR使长期预测，通过一个系统的离散时间差分方程的广泛采用的流行病学模型，将潜在的时间正则化。我们使用潜在的而不是位置/属性级别的流行病学动态来捕获常见的流行病学特征子类型，并改善协作学习和预测。我们使用县级和州级COVID-19数据进行实验，并表明我们的模型可以识别流行病的有趣潜在模式。最后，我们评估了我们的方法的预测能力，与基线相比表现出优越的性能，县级预测的均方根误差降低了21%，平均绝对误差降低了25%。
2021-03-17 cs.LG q-bio.PE
Generalised Gillespie Algorithms for Simulations in a Rule-Based Epidemiological Model Framework
基于规则的模型已成功用于代表COVID-19大流行的不同方面，包括个人的年龄、检测、住院、封锁、免疫力、传染性、行为、流动性和疫苗接种。这些规则为基础的方法是由化学反应的规则，传统上解决了数字与标准的Gillespie算法提出的背景下，分子动力学。当将反应系统类型的方法应用于流行病学时，由于问题的时间依赖性，需要Gillespie算法的概括。在这篇文章中，我们提出了标准Gillespie算法的不同概括，这些算法解决了离散的子类型（例如，结合人口的年龄结构），时间离散更新（例如，结合每日强制的用于封锁的速率变化）和确定性延迟（例如，给定等待时间，直到发生诸如从隔离释放的类型的特定改变）。该等算法辅以COVID-19疫情背景下的相关实例及数值结果。
2022-10-24 q-bio.PE
Inferring change points in the COVID-19 spreading reveals the effectiveness of interventions
随着COVID-19在全球迅速蔓延，短期建模预测为遏制和缓解策略的决策提供了时间关键的信息。短期预测的一个主要挑战是评估关键的流行病学参数，以及当第一次干预措施显示效果时这些参数如何变化。通过将一个已建立的流行病学模型与贝叶斯推断相结合，分析了新感染有效增长率的时间依赖性。聚焦于COVID-19在德国的传播，我们发现有效增长率的变化点与公开宣布的干预措施的时间密切相关。因此，我们可以量化干预措施的效果，并将相应的变化点纳入对未来情景和病例数的预测中。我们的代码是免费提供的，可以随时适应任何国家或地区。
2020-05-04 q-bio.PE
Using posterior predictive distributions to analyse epidemic models: COVID-19 in Mexico City
流行病学模型包含一组参数，必须根据现有的观察结果进行调整。一旦模型被校准，它可以被用作预测工具来进行预测和评估应急计划。通常只采用点估计来进行这种预测。然而，某些模型可能会在很宽的参数值范围内合理地拟合相同的数据，这种灵活性意味着源自此类模型的预测将有很大的差异，这取决于在给出良好拟合的范围内采用的特定参数值。当数据不足或不完整时，模型的不确定性会进一步扩大。规避这个问题的一种方法是使用贝叶斯统计来合并观测值，并使用后验分布中包含的全部参数估计值来调整模型预测中的不确定性。具体来说，给定流行病学模型和观测值的概率分布，我们使用模型参数的后验分布通过后验预测分布生成所有可能的流行病学曲线。从所有曲线的包络线中，可以提取最坏的情况，并根据这一评估研究实施应急计划的影响。我们将这种方法应用于墨西哥城COVID-19的潜在演变，并评估应急计划是否成功以及流行病学曲线是否平坦。
2020-05-15 physics.soc-ph q-bio.PE
Identification of COVID-19 mortality patterns in Brazil by a functional QR decomposition analysis
应用线性代数的子集选择问题来识别巴西境内COVID-19演变的独立模式。数据包括一组死亡率曲线在巴西各州。最独立的曲线的一个子集被选择通过使用QR矩阵分解技术与列旋转的功能版本。所选子集接下来用作表示滤除任何数据冗余的剩余曲线的基础。对于每个独立的曲线，定义了相关的流行病学影响区域。结果表明，两个主要的独立曲线具有相似的双峰模式和模式之间的50天的移动。接下来确定了两个主要的流行区：一个包括从中部和东北部各州到南部的大部分国家，另一个包括西北部的亚马逊地区。
2022-03-18 q-bio.PE stat.AP
Simulation-free estimation of an individual-based SEIR model for evaluating nonpharmaceutical interventions with an application to COVID-19 in Iowa
持续的COVID-19大流行压倒性地表明，需要准确评估实施新的或改变现有非药物干预措施的影响。由于无法通过传统的实验手段对这些在社会层面上实施的干预措施进行评估，公共卫生官员和其他决策者必须依靠统计和数学流行病学模型。非药物干预通常集中在人口成员之间的接触，但大多数流行病学模型依赖于均匀混合，这已多次被证明是一个不切实际的接触模式的代表。另一种方法是基于个体的模型（IBM），但这些方法通常是时间密集型的，并且实现起来计算成本高，需要高度的专业知识和计算资源。决策者往往需要在很短的时间内利用有限的资源了解可能的公共政策决定的影响。本文提出了一种估计算法的IBM设计，以评估非药物干预。通过利用递归关系，我们的方法可以快速计算预期的流行病学结果，即使是基于任何任意接触网络的大人群。我们利用我们的方法来评估放松目前的社交距离措施在美国爱荷华州，在不同的时间和不同程度的影响。\verb！R！补充材料中提供了我们方法的代码，从而允许其他人将我们的方法用于其他区域。
2020-11-02 q-bio.PE stat.ME
SIRNet: Understanding Social Distancing Measures with Hybrid Neural Network Model for COVID-19 Infectious Spread
SARS-CoV-2传染病爆发迅速蔓延到全球，并促成了不同的政策，以实现物理距离，以减轻其影响。在这项研究中，我们提出了一个新的混合机器学习模型SIRNet，用于预测与流行病学模型耦合的COVID-19大流行的传播。我们使用分类的时空明确的手机移动数据作为替代标记的物理距离，随着人口加权密度和其他本地数据点。我们证明了在不同的地理粒度，目前正在讨论的政策领导人之间的物理距离选项的频谱流行病学显着差异的后果，从病毒灭绝到接近完全的人口流行。目前的流动性拐点因地理区域而异。SIRNet的实验结果建立了这种局部流动性的初步界限，渐近诱导遏制。该模型可以支持研究非药物干预措施和方法，最大限度地减少社会附带损害和控制机制的一段时间。
2020-04-22 q-bio.PE
An improved Epidemiological-Unscented Kalman Filter (Hybrid SEIHCRDV-UKF) model for the prediction of COVID-19. Application on real-time data
自2019年12月在武汉市出现以来，COVID-19的流行一直是21世纪迄今为止最严重的健康挑战，每天都涉及国家卫生系统。然而，大多数旨在描述流行病动态的拟议数学方法依赖于确定性模型，这些模型无法反映其传播的真实性质。在本文中，我们提出了一种SEIHCRDV模型-经典SIR房室模型的扩展/改进-它还考虑了暴露，住院，入住重症监护病房（ICU），死亡和接种疫苗的情况下，结合无味卡尔曼滤波器（UKF），提供了一个动态估计的时间依赖系统的参数。随机方法被认为是必要的，因为观测和系统方程的特点是不确定性。显然，这种新的考虑有助于更有效地研究各种流行病。该模型的可靠性在法国265天的COVID-19每日记录中进行了检查。从2021年1月开始观察到两次主要的感染浪潮，这标志着欧洲开始接种疫苗，根据所产生的NRMSE值，提供了相当令人鼓舞的预测性能。重点证明了SEIHCRDV模型的非负性，得到了一个有代表性的基本再生数R 0，并根据R 0的估计公式证明了疾病平衡点的存在性和稳定性。该模型不仅在预测能力上优于确定性方法，而且优于采用卡尔曼滤波器的最先进的随机模型。
2022-11-29 math.OC q-bio.PE stat.AP
Analysis of COVID-19 cases in India through Machine Learning: A Study of Intervention
Bareilly College（巴雷利学院）；CSIR-Central Electronics Engineering Research Institute（CSIR-中央电子工程研究所）；Jawaharlal Nehru University（贾瓦哈拉尔·尼赫鲁大学）
为了抗击2019年冠状病毒病（COVID-19）大流行，世界上只有疫苗接种、血浆治疗、群体免疫和流行病学干预等少数几种可能的选择。COVID-19疫苗开发正在进行中，可能需要大量时间来开发疫苗，开发完成后，需要时间为整个人群接种疫苗，而血浆疗法具有一定的局限性。对于小国来说，群体免疫可能是抗击COVID-19的一个合理选择。但对于印度这样的人口大国来说，群体免疫并不是一个合理的选择，因为要获得群体免疫力，约67%的人口必须从COVID-19感染中恢复过来，这将给该国的医疗系统带来额外负担，并将导致巨大的生命损失。因此，流行病学干预措施（完全封锁、部分封锁、隔离、隔离、社交距离等）在疫苗开发之前，印度有一些合适的策略来减缓COVID-19的传播。在这项工作中，我们提出了SIR模型与干预，它包含了流行病学干预的经典SIR模型。为了模拟干预的效果，我们引入了\r{ho}作为干预参数。\r{ho}是涵盖所有类型干预的累积量。我们还讨论了有监督的机器学习方法，以估计SIR模型的传播率（\b{eta}），并从印度和印度一些州的COVID-19流行数据中进行干预。为了验证我们的模型，我们对实际和模型预测的COVID-19病例数进行了比较。使用我们的模型，我们还提供了截至2020年9月30日，整个印度和印度一些邦的活动和康复COVID-19病例的预测数量，并估计了预测病例的95%和99%置信区间。
2020-08-17 cs.LG physics.soc-ph q-bio.PE
A Two-Phase Dynamic Contagion Model for COVID-19
本文基于Dassios和Zhao（2011）提出的动态传染模型，提出了一个连续时间随机强度模型，即两阶段动态传染过程（2 P-DCP），用于模拟COVID-19的流行病传染，并研究封锁效应。它允许个体传染性的随机性，而不是标准模型所假设的恒定的繁殖数。根据各区域和国家的实际数据，推导和估计了关键的流行病学量，如最终流行规模的分布和预期的流行持续时间。对每个国家或区域干预效果的相关时滞进行了估计。我们的结果与最近医学研究发现的COVID-19的潜伏期一致。我们证明，我们的模型可能成为COVID-19建模的有价值的工具。更重要的是，所提出的2 P-DCP模型也可以被用作流行病学建模的重要工具，因为这种类型的传染病模型具有非常简单的结构，足以描述区域流行病和全球流行病的演变。
2020-06-11 physics.soc-ph q-bio.PE
Analysis of Virus Propagation: A Transition Model Representation of Stochastic Epidemiological Models
关于COVID-19传播的越来越多的文献依赖于各种动态SIR类型模型（易感-感染-传播），这些模型产生依赖于模型的结果。为了透明和易于比较的结果，我们介绍了一个共同的表示SIR型随机流行病模型。这种表示是一个离散时间转换模型，它允许我们对流行病学模型的状态（隔间）和它们的解释的数量进行分类。此外，转移模型消除了本文指出的确定性连续时间流行病模型的一些局限性。我们还表明，所有的SIR型模型有一个非线性（伪）状态空间表示，很容易从扩展卡尔曼滤波估计。
2020-06-18 physics.soc-ph q-bio.PE stat.ME
Can a latent Hawkes process be used for epidemiological modelling?
Imperial College London（伦敦帝国理工学院）
了解COVID-19的传播一直是众多研究的主题，突出了可靠的流行病模型的重要性。在这里，我们介绍了一种新的流行病模型，使用时间协变量的潜在Hawkes过程建模的感染。与其他模型不同的是，我们通过由潜在的霍克斯过程驱动的概率分布对报告的病例进行建模。通过Hawkes过程对感染进行建模，使我们能够估计受感染个体被谁感染。我们提出了一个核密度粒子滤波器（KDPF）的推理的潜在情况下，再生数和预测的新情况下，在不久的将来。计算工作量与感染的数量成比例，使得可以使用粒子滤波器类型的算法，例如KDPF。我们在英国各地方当局的合成数据集和COVID-19报告病例上展示了所提出算法的性能，并将我们的模型与替代方法进行了基准测试。
2022-08-15 cs.LG q-bio.PE stat.ME
SIR Model for COVID-19 calibrated with existing data and projected for Colombia
在本文中，我们开发了一个SIR流行病学模型，其参数是根据撰写本文时（2020年3月24日）的现有数据计算的;数据来自意大利，韩国和哥伦比亚，然后使用该模型来预测哥伦比亚COVID-19疫情在不同情景下的演变，使用该国的人口数据和模拟开始时的已知初始条件。
2020-09-24 q-bio.PE
An India-specific Compartmental Model for Covid-19: Projections and Intervention Strategies by Incorporating Geographical, Infrastructural and Response Heterogeneity
我们提出了一个新冠肺炎在印度传播的房室元人群模型。我们的模型使用适用于COVID-19的流行病学模型模拟了地区或州一级的人群。利用现有的人口普查数据建立的交通矩阵将不同的地区连接起来。我们在模型中引入了检测率的不确定性，该模型考虑了不同州对疫情的不同反应以及公共医疗系统状况的因素。我们的模型使我们能够对新型冠状病毒在印度的传播进行定性预测，并进一步使我们能够调查不同拟议干预措施的影响。通过在地理和基础设施水平和当地反应的异质性，我们的模型旨在捕捉一些流行病学建模的复杂性，适合于一个不同的国家，如印度。
2020-07-28 physics.soc-ph q-bio.PE
Where to locate COVID-19 mass vaccination facilities?
COVID-19的爆发导致了一场破纪录的疫苗研发竞赛。然而，有限的疫苗能力带来了另一个巨大的挑战：如何分配疫苗以减轻大流行的近端影响？特别是在美国，拜登新政府正在全国各地启动大规模疫苗接种点，这就提出了一个显而易见的问题，即在哪里设立这些诊所，以最大限度地发挥疫苗接种活动的效果。本文通过一种新的数据驱动方法来解决这个问题，以优化COVID-19疫苗的分配。我们首先增强了一个最先进的流行病学模型，称为DELPHI，以捕捉疫苗接种的影响和各年龄组死亡率的变化。然后，我们将这个预测模型整合到一个规范模型中，以优化疫苗接种点的位置和随后的疫苗分配。该模型被制定为一个双线性，非凸优化模型。为了解决这个问题，我们提出了一个坐标下降算法，在优化疫苗分配和模拟大流行的动态之间迭代。与基于人口统计学和流行病学信息的基准相比，所提出的优化方法通过估计的$20\%$增加了疫苗接种活动的有效性，在美国在三个月的时间内节省了额外的$4000$额外的生命。拟议的解决方案实现了关键的公平目标-通过减少几个州的流行病死亡人数而不伤害其他人-并且对不确定性和预测误差具有高度鲁棒性-通过在广泛的扰动下实现类似的好处。
2021-07-18 math.DS math.OC q-bio.PE
Demography-independent behavioural dynamics influenced the spread of COVID-19 in Denmark
本文基于丹麦 23 个月全国代表性每日调查，发现跨人群行为可归纳为通用特征，并利用这些特征改进 COVID-19 新增感染的深度学习预测。
2025-03-14 physics.soc-ph q-bio.PE
On the Estimation of the Time-Dependent Transmission Rate in Epidemiological Models
本文研究将非参数SEIR COVID-19模型纳入反问题正则化框架以估计时变传播率，证明相关算子的连续性、可微性和单射性，并通过Tikhonov正则化建立解的存在性与稳定性，数值实验验证了估计精度。
2024-12-27 cs.NA math.NA q-bio.PE
Bayesian data assimilation for estimating epidemic evolution: a COVID-19 study
流行病学参数的演变，如瞬时繁殖数Rt，是了解传染病的传播动力学的重要。目前时变流行病学参数的估计经常面临的问题，如滞后的观察，平均推理，和不正确的量化的不确定性。为了解决这些问题，我们提出了一个贝叶斯数据同化框架的时变参数估计。具体来说，这个框架被应用到Rt估计，从而在国家的最先进的DARt系统。利用DARt，通过将观测延迟纳入感染和Rt的联合推断来解决由滞后观测引起的时间不对准;通过即时更新新观测和开发捕获突变的模型选择机制来克服平均的缺点;通过采用贝叶斯平滑来量化和减少不确定性。我们验证了DARt的性能，并展示了其在揭示COVID-19传播动态方面的能力。所提出的方法提供了一个有前途的解决方案，准确和及时地估计传输动态报告的数据。
2021-10-24 physics.bio-ph physics.soc-ph q-bio.PE
Vaccination compartmental epidemiological models for the delta and omicron SARS-CoV-2 variants
本文面向 delta 与 omicron 变异株构建纳入疫苗接种的仓室流行病学模型，并利用安达卢西亚和瑞士的死亡及住院数据验证其拟合与预测能力。
2023-04-20 q-bio.PE
SEI1I2HRSVM model applied to the coronavirus pandemic (COVID-19) in Paraguay
在本文中，提出了一个数学模型来研究当前巴拉圭的冠状病毒爆发（SARS-CoV-2），描述了感染动力学中的多个传播路径，包括易感者、暴露者、感染者、住院者、免疫力丧失者和康复者，以及病毒在环境中的作用和COVID-19或其他原因造成的死亡。为了反映政府和人群采取的控制措施的影响，该模型采用了随流行病学状况和环境条件而变化的可变传播率。该模型进行了验证，并展示了其应用与公开的数据。
2020-06-01 q-bio.PE
Study of COVID-19 anti-pandemic strategies by using optimal control
在这项研究中，我们提出了一个新的流行病学模型，从确认和未报告的污染。我们还计算了均衡，并研究了它们的稳定性，没有干预策略。最优控制理论已被证明是一个成功的工具，在理解如何减少传染病的传播，通过设计最佳的疾病干预策略。我们调查了隔离、病例发现和病例控制的影响，同时，我们最大限度地减少了感染和死亡人数。该方法包括通过一些策略最小化与传染性，死亡和控制相关的成本函数，以减少COVID 19疫情的传播。
2020-08-09 q-bio.PE
Information index augmented eRG to model vaccination behaviour: A case study of COVID-19 in the US
本文利用信息指数增强流行病学重正化群（eRG）模型，开发其行为版本并在美国 COVID-19 疫苗接种活动中进行测试，发现该模型能更好描述峰值在接种后的疫情动态，强调了模拟时考虑人类行为的重要性。
2024-07-30 math.DS physics.soc-ph q-bio.PE
Estimating the number of COVID-19 infections in Indian hot-spots using fatality data
在印度，COVID-19感染人口尚未准确确定。与任何流行病的早期阶段一样，需要首先检测严重病例，这意味着尚未对无症状或轻度亚临床症状的人群进行分析。使用死亡人数和先前估计的疾病进展参数，我们对感染人口进行统计估计。倍增时间是影响这些估计值的关键未知输入参数，并且可能因地理位置而异。我们提出了一种在几天内估计不同地点COVID-19流行病学参数的方法，从而增加了衡量公共卫生干预措施成功与否所需的信息
2020-04-07 q-bio.PE
Intermittent non-pharmaceutical strategies to mitigate the COVID-19 epidemic in a network model of Italy via constrained optimization
本文关注的是利用网络流行病学模型设计间歇性非药物策略来减缓COVID-19疫情的传播。具体来说，通过研究一个变分方程的动态感染的网络模型中的流行病传播，我们得出，使用收缩参数，一个条件，可以用来保证，在流行病学方面，有效的繁殖数小于1。这个条件有三个优点：（i）它是容易计算的;（ii）它是直接相关的模型参数;（iii）它可以用来强制执行的可扩展性条件，禁止放大网络系统内的干扰。然后，我们包括满足这样的条件作为约束的模型预测控制问题，以减轻（或抑制）的流行病的传播，同时最大限度地减少干预措施的经济影响。数据驱动的模型，意大利作为一个网络的三个宏观区域（北，中，南），其参数是从实际数据中确定的，是用来说明和评估所提出的控制策略的有效性。
2021-10-04 cs.SY eess.SY math.OC
Epidemiological theory of virus variants
我们提出了一个物理理论的时间演变的竞争病毒变种，依赖于存在的（准）固定点捕捉大的时间尺度上的不变性的动态。为了激励我们的研究结果，我们首先修改了由来已久的SIR型房室模型，以解释竞争变体的存在，然后展示了它们的演变如何自然地在准固定点结束的流动方程方面重新措辞。作为自然的下一步，我们采用（近）尺度不变性来组织流行病重正化群框架的有效描述内的竞争变体的时间演化。我们根据COVID-19病毒变体的时间演变来测试所产生的理论，以经验验证该理论。
2021-06-28 physics.soc-ph q-bio.PE
