Exploring Covid-19 Spatiotemporal Dynamics: Non-Euclidean Spatially Aware Functional Registration
本文提出一种非欧几里得空间感知函数配准方法,通过多维标度近似驾驶时间以解决传统空间框架失效问题,定量分析了英国380个地区Covid-19疫情波次的时空相位变化。
2024-07-24 physics.soc-ph stat.AP stat.ME
Heavy-tailed distributions of confirmed COVID-19 cases and deaths in spatiotemporal space
本文系统分析了COVID-19病例与死亡数在时空上的重尾分布特征,发现其演化可划分为三个阶段以指示疫情严重程度,为基于复杂网络的SIR等模型提供了更严格的约束。
2023-11-23 physics.bio-ph physics.med-ph physics.soc-ph
Spatiotemporal risk prediction for infectious disease spread and mortality
提出Geo Score方法,整合地理、社会经济和人口数据,利用梯度下降优化权重,实现按区域和时间的传染病感染与死亡风险预测,并应用于纽约市COVID-19数据。
2023-12-05 physics.soc-ph stat.AP
CoV-ABM: A stochastic discrete-event agent-based framework to simulate spatiotemporal dynamics of COVID-19
本文提出了一个基于Agent的随机模型(ABM),模拟传染病在地理区域内的传播。该模型旨在模拟SARS-CoV 2疾病(称为COVID-19)的时空传播。我们基于SARS-CoV 2的ABM框架(CoV-ABM)模拟了从村庄到国家的任何地理尺度的传播,并考虑了SARS-CoV 2病毒的独特特征,例如其在环境中的持久性。因此,与其他模拟器不同,CoV-ABM计算每个位置空间内的活跃病毒密度,以获得每个代理的病毒传播概率。它还利用当地人口普查和健康数据为每个人建立健康和风险因素概况。该模型依赖于灵活的时间戳尺度来优化计算速度和细节水平。在我们的框架中,每个代理代表一个人与周围的空间和同一空间内的其他相邻代理进行交互。此外,家庭随机日常任务制定得到相应的家庭成员的跟踪。该模型还制定了会议的可能性,为每个子集的友谊和亲戚。拟议框架的主要目的有三个:说明SARS-CoV疾病的动态,确定有更高的可能性成为感染中心的地方,并提供一个决策支持系统,以设计有效的干预措施,以对抗流行病。该框架采用不同干预方案的病毒性疾病的SEIHRD动力学。本文模拟了COVID-19在美国特拉华州的传播,使用了近100万个随机代理。在15周内取得的结果显示,哪些地方成为感染的中心,时间戳为1小时。这篇论文还说明了随着疫情的爆发,医院如何不堪重负。
2020-07-26 cs.MA physics.soc-ph
Potential Landscapes Reveal Spatiotemporal Structure in Urban Mobility: Hodge Decomposition and Principal Component Analysis of Tokyo Before and During COVID-19
Tohoku University(东北大学);Shiga University(滋贺大学);Japan Science and Technology Agency(日本科学技术振兴机构);The University of Tokyo(东京大学)
本研究通过Hodge分解和PCA分析东京疫情期间的交通流动,揭示了时空结构变化,为城市规划和公共卫生提供新视角。
2025-12-11 cs.SI physics.soc-ph stat.AP
Spatiotemporal Patterns of COVID-19 Impact on Human Activities and Environment in China Using Nighttime Light and Air Quality Data
为了分析COVID-19对人们生活、活动和自然环境的影响,本文调查了中国大陆在大流行之前和期间的夜间光辐射(NTL)和空气质量指数(AQI)的时空特征。结果表明,隔离期间NTL月平均亮度比隔离前明显降低。本研究将NTL分为三类:居住区,交通和公共设施和商业中心,NTL辐射范围分别为5-20,20-40和大于40 nW/(cm*cm*sr)。我们发现,在大多数省份,关闭后居民区的NTL检测像素数(NOP)增加,商业中心减少,而交通和公共设施通常保持不变。更具体地说,我们在武汉考察了这些因素,武汉是最早报告确诊病例的地方,也是最早采取隔离措施的地方。与商业中心相关联的像素的观察和分析被观察到具有较低的NTL辐射值,指示调光行为,而住宅区像素在锁定开始之后记录了增加的亮度水平。研究还发现,与2020年1月相比,全国日均空气质量指数呈显着下降趋势,2月和3月大多数省份的空气更加清洁。综上所述,COVID-19的爆发和传播通过加强实施封锁和隔离政策对人们的日常生活和活动范围产生了至关重要的影响。另一方面,中国的空气质量随着非必要工业和机动车使用量的减少而有所改善。
2020-05-03 physics.soc-ph
Network approach reveals the spatiotemporal influence of traffic to air pollution under the COVID-19
本研究借助COVID-19期间各地交通管控的契机,通过构建多层复杂网络探究交通对空气污染的时空影响,发现多区域空气质量受周边交通影响显著,且影响程度随抗疫阶段变化,为相关政策制定提供新视角。
2022-03-18 physics.soc-ph
Spatiotemporal evolution of PM2.5 diffusion in Cheng-Yu urban agglomeration in response to COVID-19 lockdown using complex network
本文利用复杂网络方法研究成渝城市群在COVID-19封锁期间PM2.5扩散的时空演化,发现封锁使PM2.5溢出更集中、输入模式更脆弱而输出模式更具韧性,强调了区域联合控制的重要性。
2025-06-06 cs.NA math.NA physics.soc-ph
Spatiotemporal Detection of Unusual Human Population Behavior Using Mobile Phone Data
为了促进对灾害和暴力事件的人道主义反应,科学家们提议开发分析工具,利用移动电话数据实时识别紧急事件。其假设是,用移动电话数据测量的行为的戏剧性和离散变化将表明极端事件。在这项研究中,我们提出了一个有效的系统,从手机数据的行为异常的时空检测和比较网站的行为异常,在卢旺达的紧急和非紧急事件的广泛的数据库。我们的方法成功地捕捉了与各种事件相关的异常行为模式,从宗教和官方假期到地震,洪水,针对平民的暴力和抗议活动。我们的研究结果表明,人类对极端事件的行为反应是复杂和多维的,包括呼叫和运动行为的极端增加和减少。我们还发现显着的时间和空间变化的极端事件的反应。我们的行为异常检测系统和广泛的讨论结果是一个长期的项目,创建一个有效的实时事件检测系统与手机数据的重大贡献,我们讨论了我们的研究结果对未来的研究,为此目的的影响。关键词:大数据、通话详细记录、紧急事件、人类流动
2014-11-22 cs.SI physics.soc-ph stat.AP
Effects of Population Co-location Reduction on Cross-county Transmission Risk of COVID-19 in the United States
COVID-19在美国迅速蔓延,对公共卫生、实体经济和人类福祉构成重大威胁。在缺乏有效疫苗的情况下,保持社交距离及减少旅行等预防措施被视为控制COVID-19传播的重要非药物方法。此前的研究表明,人类活动和流动性推动了中国COVID-19的时空分布。然而,人们对减少同地办公对COVID-19跨县传播风险的模式和影响知之甚少。这项研究利用了2020年3月至5月初美国所有县的Facebook托管数据。该分析考察了旅行减少与大流行增长轨迹之间的同步性和时滞,以评估社交距离在停止人口共居概率以及随后每周新病例增长方面的功效。结果表明,减少同地办公的缓解效应表现在延迟一周的每周新病例增长上。此外,在根据病例数量分类的不同州组之间发现了明显的隔离。结果表明,组内共址概率保持稳定,社会距离政策主要导致跨组共址概率降低(由于从病例数较多的县到病例数较少的县的旅行减少)。这些发现可能对地方政府提供重要的实际影响,以指导其监测和减少COVID-19传播的干预措施,以及在未来大流行中采用。公共政策、经济预测和流行病建模在评估COVID-19跨县传播风险时需要考虑人口共址模式。
2020-06-01 physics.soc-ph q-bio.PE
Analysis of Spatial-temporal Behavior Pattern of the Share Bike Usage during COVID-19 Pandemic in Beijing
于COVID-19疫情期间,全球正经历严重的公共卫生及经济危机。了解大流行期间的人类流动有助于设计干预战略和复原措施。自行车共享系统(BSS)在大城市中广泛使用,可以表征城市居民在时间和空间上的活动,但在流行病学研究中很少报道。本文提出了一个基于BSS数据的人类流动分析框架,该框架考察了共享单车用户的时空特征,检测了不同流行阶段的关键时间节点,并展示了由于COVID-19威胁和行政限制的发生而导致的人类流动的演变。我们使用共享单车使用量与兴趣点(POI)的共址分析结果评估疫情的净影响。我们的研究结果显示,疫情令整体单车使用量减少64. 8%,其后共享单车使用量出现平均增长(15. 9%),显示生产及居住活动已部分恢复,但远未恢复正常。这些发现可作为流行病学研究的参考,并在当前COVID-19爆发和其他城市规模的流行病事件的背景下为政策制定提供信息。
2021-02-11 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
Comparing the dynamics of COVID-19 infection and mortality in the United States, India, and Brazil
本文比较和对比了COVID-19在受疫情影响最严重的三个国家(美国、印度和巴西)的传播和影响。这三个国家都有一个联邦结构,其中各个州在很大程度上决定了对这一流行病的反应。因此,我们对这三个国家的各个州进行了广泛的分析,以确定每个国家的相似性模式。首先,我们分析结构相似性和异常的病例和死亡的轨迹作为多变量时间序列。接下来,我们研究了这三个国家及其州的不同病毒爆发波的长度。最后,我们调查适当的时间偏移病例和死亡之间的功能不同的爆发波。在所有这些分析中,我们始终揭示了美国和印度各州之间更具特征性的不同行为,而巴西各州在其波动行为中表现出较少的结构,并在病例和死亡之间不断变化。
2022-01-29 physics.soc-ph
Quantifying COVID-19 transmission risks based on human mobility data: A personalized PageRank approach for efficient contact-tracing
鉴于COVID-19广泛而持久的影响,特别是其空间传播动态备受关注。了解这些动态有助于公共卫生专业人员和城市管理人员设计和部署有效的接触者追踪和治疗措施。然而,大多数现有的研究集中在总的流动流量,很少利用广泛可用的分解一级的人口流动数据。在本文中,我们提出了一种个性化的PageRank(PPR)方法来估计COVID-19传播风险,该方法基于人和位置的二分网络。该方法结合了两个移动模式的个人和他们的时空相互作用。为了验证所提出的方法的适用性和相关性,我们基于交通灵巧卡数据,在一个小型合成网络和一个来自中国香港的真实移动网络中,研究了COVID-19病例的传播与城市内移动模式之间的相互作用。我们比较了召回率(敏感性),准确性和斯皮尔曼相关系数之间的估计传播风险和实际病例数的基础上各种大规模跟踪和测试策略,包括基于PPR的,基于PageRank(PR)的,基于位置的,基于路线的,和基本情况(无策略)。结果表明,基于PPR的方法效率最高,准确率最高,与实际案例数的Spearmans相关系数最大。这证明了PPR的传播风险估计的价值和有效的接触跟踪和测试,将个人的移动模式的重要性。
2022-10-03 cs.SI physics.soc-ph
Multifractal scaling analyses of the spatial diffusion pattern of COVID-19 pandemic in Chinese mainland
本文利用地级市实时COVID-19数据和多重分形方法,揭示了中国大陆疫情空间扩散的自相似标度规律、全局聚集与局部无序特征及其四阶段演化过程。
2023-08-08 physics.soc-ph
Inference on spatiotemporal dynamics for networks of biological populations
本研究利用新推断算法重新审视COVID-19集合种群模型,改进统计拟合与参数识别,发现中国2020年1月23日封锁效果优于先前估计,并提出未来建模的统计分析标准。
2024-02-06 physics.soc-ph q-bio.PE stat.AP
Sensing the Pulse of the Pandemic: Geovisualizing the Demographic Disparities of Public Sentiment toward COVID-19 through Social Media
本研究利用2020-2021年美国Twitter数据,提出人口统计学调整情绪(SAD)指数以缓解社交媒体分析中的人口偏差,揭示不同群体对COVID-19情绪的时空差异及各州情绪分布。
2023-08-02 cs.CY cs.SI physics.soc-ph
An Improved Method for the Fitting and Prediction of the Number of COVID-19 Confirmed Cases Based on LSTM
新型冠状病毒病(COVID-19)已构成全球大流行,并已蔓延至全球大多数国家和地区。通过了解区域流行病的发展趋势,可以使用发展政策来控制流行病。常用的传统数学微分方程和人口预测模型对时间序列人口预测存在局限性,甚至存在较大的估计误差。为了解决这个问题,我们提出了一种基于LSTM(长短期记忆)神经网络的改进方法来预测确诊病例。以真实数据为参考,比较了改进的LSTM预测模型与数字预测模型(如Logistic和Hill方程)的实验结果之间的偏差。并采用拟合优度来评价改进后的拟合效果。实验表明,该方法具有较小的预测偏差和较好的拟合效果.与以往的预测方法相比,本文提出的改进方法的贡献主要体现在以下几个方面:1)充分考虑了数据的时空特征,而不是单一的标准化数据; 2)改进后的参数设置和评价指标对拟合和预测更加准确。3)考虑了流行阶段的影响,对不同阶段的数据进行了合理的处理。
2020-05-14 physics.soc-ph
Safer Traffic Recovery from the Pandemic in London -- Spatiotemporal Data Mining of Car Crashes
为了通过智能地改善道路安全来支持伦敦从大流行中更安全地复苏,这项研究调查了年龄相关车祸的时空模式和影响因素,回答了两个主要研究问题:(1)“伦敦2019年和2020年两个典型年份的车祸时空模式及其变化,影响因素是如何起作用的?";(2)“按年龄组划分的伤亡人数的时空模式是什么,以及人们的日常活动如何影响大流行前和大流行期间的模式”?三种方法,即,空间分析(网络核密度估计)、因子分析和时空数据采掘(张量分解)分别用于确定每周和每日车祸的时间模式,检测车祸的热点,并更好地了解大流行之前和之后市民的日常活动对车祸模式的影响。研究发现,车祸主要集中在伦敦市中心,特别是兴趣点密集的中心地带,兴趣点作为市民日常活动和出行行为的反映,通过地理探测器进一步评估相互作用,有助于更好地了解车祸模式;不同年龄组别的交通意外伤亡模式各不相同,而不同年龄组别的交通意外伤亡模式与兴趣指数之间的关系亦各不相同。总而言之,该文件对伦敦的车祸及其伤亡模式进行了深入的探索性分析,以促进部署政策,从而在COVID-19疫情后实现更安全的复苏。
2022-08-01 cs.SI physics.soc-ph
A Linear Dynamical Perspective on Epidemiology: Interplay Between Early COVID-19 Outbreak and Human Mobility
本文研究了人类活动和流动性(HAM)在流行病传播动力学中的影响。具体而言,它探讨了HAM及其对COVID-19病毒早期传播的影响之间的相互关系。在大流行的早期阶段,有效的繁殖数量表现出高度的相关性与人类流动模式,导致一个假设,HAM系统可以作为一个耦合系统与疾病传播动力学进行研究。本研究应用具有控制输入的广义Koopman框架来确定非线性疾病传播动力学和作为局部线性受控动力系统的输入输出特性。该方法完全依赖于时空数据的快照,不需要系统的物理定律的任何知识。我们利用Koopman算子框架,利用汉克尔动态模式分解与控制(HDMDc)算法,以获得一个线性疾病传播模型,将人类流动作为控制输入。这项研究表明,拟议的方法可以反映当地流动性对当前全球大流行病的早期动态的影响。所获得的局部线性模型可以准确地预测从两到四周的各种预测窗口的新感染的数量。这项研究证实了流动性和疾病传播动态之间的领导者-追随者关系。此外,延迟嵌入在HDMDc算法的效果也进行了研究和报告。使用来自美国佛罗里达州的COVID感染数据和从Google社区移动数据报告中提取的HAM数据进行了案例研究。
2021-08-05 cs.SY eess.SY math.DS
Robust Spatiotemporal Epidemic Modeling with Integrated Adaptive Outlier Detection
提出鲁棒时空广义可加模型RST-GAM,结合均值漂移参数与自适应Lasso正则化,在时空流行病建模中同步实现异常值检测与参数估计,为公共卫生决策提供有效支持。
2025-07-12 physics.soc-ph stat.ME stat.ML