SARS-COV-2 Pandemic: Understanding the Impact of Lockdown in the Most Affected States of India
SARS-COV-2让世界停止了脚步，三分之一的人口被迫呆在家里。在这里，我们提出了一个比较研究的表现，印度各邦，在遏制疾病的传播，受大流行病的影响最大。我们已根据二零二零年三月十四日至二零二零年四月十七日期间收集的数据进行评估。我们通过比较平滑的时间序列和百分比变化以及每日确诊病例的变化点检测来做到这一点。我们还讨论了不同的政策和战略，由国家在遏制疾病和基层执行。我们已经开发了ARIMA（p，d，q）模型，其中（p，d，q）是通过最小化AIK（赤池信息准则）。这些模型被用来对该国进行预测，结果显示，到2020年5月7日，印度将有大约50，237例确诊病例，11天的增长率将翻一番。在每个州的表现的基础上，我们认为，地方一级的战略，这是基于该特定地区的人口，而不是一个中央和统一的发展。
2020-04-28 q-bio.PE stat.AP
Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France
Électricité de France R&D（法国电力公司研发部）
2019冠状病毒病（COVID-19）大流行促使世界上许多国家的政府实施严格的封锁，所有非必要的企业都被关闭，公民被命令留在家中。这项政策的后果之一是电力消费模式发生了重大变化。由于负荷预测模型依赖日历或气象资料，并根据历史数据进行训练，因此未能捕捉封锁导致的重大中断，且自疫情开始以来表现欠佳。这使得电力生产的调度具有挑战性，并且对于电力生产商和电网运营商都具有高成本。在本文中，我们介绍了自适应广义可加模型使用卡尔曼滤波器和微调，以适应新的电力消费模式。此外，转移意大利封锁的知识，以预测法国的行为变化。所提出的方法应用于预测法国封锁期间的电力需求，在那里他们证明了自己的能力，以显着减少预测误差相比，传统的模型。最后，专家汇总用于利用每个预测的具体性，并进一步增强结果。
2020-09-14 cs.LG stat.AP stat.ML
Estimating the course of the COVID-19 pandemic in Germany via spline-based hierarchical modelling of death counts
有效繁殖数是监控COVID-19疫情进程的关键数据。在这项研究中，我们考虑了一个回顾性的建模方法，估计有效的繁殖数量的基础上，在德国的大流行的第一年的死亡人数。拟议的贝叶斯分层模型采用样条来估计随着时间的推移灵活的繁殖数量，同时调整不同的有效感染死亡率。该方法还提供了一段时间内未被发现的感染的黑暗数字的估计。德国的结果表明，根据死亡人数估计的生殖数量往往类似于根据确诊病例的经典估计。然而，考虑到死亡人数被证明对检测政策的变化更为稳健：在第二波感染期间，对繁殖数量的经典估计表明，在2020年11月的“封锁灯”之后，感染人数呈平稳/下降趋势，而我们的结果表明，真实感染人数持续上升，直到2020年12月的“第二次封锁”。这一观察结果与与“锁定灯”同时引入的更严格的测试标准有关，这反映在我们的模型估计的随后增加的感染黑暗数字中。这些发现表明，回顾性观点可以提供有关大流行过程的更多见解。考虑到逐步接种疫苗，将重点从模拟确诊病例转移到报告的死亡病例，并有可能纳入有效的感染死亡率，这可能对未来的大流行监测越来越重要。
2021-09-06 q-bio.PE stat.AP
Changes in Crime Rates During the COVID-19 Pandemic
我们估计了2020年3月至12月COVID-19大流行期间五种FBI Part 1犯罪（杀人、汽车盗窃、入室盗窃、抢劫和盗窃）的比率变化。使用2018年1月至2020年12月美国70个最大城市中的29个城市的公开每周犯罪统计数据，使用三种不同的线性回归模型规范来检测变化。其中一项检测了2020年大流行前后四个时期的犯罪趋势是否与2018年和2019年不同。第二份报告更详细地研究了2020年春季的封锁，以检测犯罪趋势是否在连续两周的封锁期间发生了变化。第三种方法使用了我们创建的城市开放度指数，目的是检查开放程度是否与犯罪率的变化有关。对于杀人和汽车盗窃，我们发现在大流行的全部或大部分时间内显著增加。相比之下，我们发现抢劫和盗窃在整个或部分大流行期间显著下降，入室盗窃在大流行期间没有显著变化。只有盗窃率随着每个城市的封锁程度而波动。罪案率的变动方向并不相同，而这五宗第一部分指数罪案的调查结果各有不同，其中一宗没有变动，两宗持续上升，另两宗持续下降，原因尚不清楚。我们推测，原因可能与机会的变化有关，大流行为未来的研究提供了独特的机会，以更好地了解影响犯罪率的力量。在对这一流行病影响犯罪的机制缺乏明确认识的情况下，本着循证犯罪政策的精神，我们告诫不要根据从这一流行病的“自然实验”中吸取的经验教训，在此时推进政策。"
2021-05-19 stat.AP
A Probabilistic Assessment of the COVID-19 Lockdown on Air Quality in the UK
于二零二零年三月，英国因新型冠状病毒疫情而进入全国封城期。结果，大气中的二氧化氮（NO2）水平下降。在这项工作中，我们使用来自英国237个站点的550，134个NO2数据点来构建一个时空高斯过程，该过程能够预测整个英国的NO2水平。我们整合了几个协变量数据集，以提高模型捕捉NO2复杂时空动态的能力。我们的数值分析显示，在英国实施封锁的两周内，英国的NO2水平下降了36.8%。此外，我们表明，作为封锁的直接结果，NO2水平比没有封锁的情况下低29-38%。为了配合这些数值结果，我们提供了一个软件框架，使从业者能够轻松有效地拟合类似的模型。
2021-04-22 stat.AP
Functional ANOVA approaches for detecting changes in air pollution during the COVID-19 pandemic
本研究利用功能方差分析（FANOVA）方法，基于多元功能主成分分析，评估意大利基耶蒂-佩斯卡拉地区在COVID-19封锁前后空气污染物（NO2、PM10、PM2.5和苯）的变化，发现污染物水平在封锁期间发生改变，且不同监测站类型间的差异主要归因于PM10和苯浓度。
2024-02-08 math.ST stat.AP stat.TH
Temporal Clustering of Disorder Events During the COVID-19 Pandemic
University of Trento（特伦托大学）；University of California, Los Angeles（加州大学洛杉矶分校）；California State University at Northridge（加州州立大学北岭分校）
COVID-19大流行引发了多重公共卫生、社会经济和制度危机。为减缓病毒传播而采取的措施在当局和公民之间造成了严重的紧张关系，导致了一波又一波的社会动荡和反政府示威。我们研究了“COVID-19疾病追踪”计划所记录的大流行相关疾病事件的时间性质，重点关注事件数量最多的三个国家，印度，以色列和墨西哥。通过对数据流的泊松过程和霍克斯过程的拟合，我们发现，在这三个国家的无序事件是相互依赖和自激的。地理聚类证实了这些功能在国家以下一级，表明全国范围内的混乱出现的自我激励的中尺度模式的收敛。在计算国家以下各级群组之间事件的相关性时，观察到各国之间存在相当大的差异;这些差异是在具体的政治、社会和地理特征背景下讨论的。以色列是领土最紧凑的国家，也是为应对政府封锁而协调大规模抗议活动的国家，在事件发生后表现出最大的反应和最短的影响力，以及最强的全国同步性。在墨西哥，完全封锁命令从未被强制执行，反应性和全国同步性最低。我们的工作突出表明，当局需要促进地方宣传运动，以确保生计和病毒遏制政策不被视为相互排斥的。
2021-04-23 cs.LG econ.GN physics.soc-ph
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
A Response to Philippe Lemoine's Critique on our Paper "Causal Impact of Masks, Policies, Behavior on Early Covid-19 Pandemic in the U.S."
最近，Phillippe Lemoine对我们的论文《口罩、政策、行为对美国早期新冠肺炎大流行的因果影响》发表了评论。[arXiv：2005.14168]在他题为“封锁，计量经济学和艺术把口红上的猪。“虽然Lemoine的批评似乎是意识形态驱动的，过于情绪化，但他的一些观点值得讨论。特别是，我们的估计结果的敏感性（i）包括“公共场所的口罩”和（ii）更新数据似乎是重要的批评，因此，我们决定自己分析更新的数据。本文总结了我们重新检查更新数据的发现，并回应了Phillippe Lemoine对这两个重要观点的批评。我们还简要讨论了Lemoine在他的帖子中提出的其他观点。在分析更新的数据后，我们发现了加强原始研究结论的证据。
2021-10-10 econ.GN q-fin.EC stat.AP
Is Time to Intervention in the COVID-19 Outbreak Really Important? A Global Sensitivity Analysis Approach
意大利是最早受到COVID-19疫情严重影响的国家之一。采取社交距离及严厉封锁措施对人口及经济构成沉重负担。这些措施的时机对政策制定有着至关重要的影响。利用意大利大流行进展的公开数据，我们定量评估了干预时间对大流行扩展的影响，采用的方法是将广义的暴露-感染-恢复（SEIR）模型与统计学习方法相结合。模型显示，封锁严重偏离了意大利的大流行轨迹。然而，预测与截至2020年4月20日的实际数据之间的差异只能解释为实际发布日期与措施全面生效之间存在时间差。为了了解干预相对于其他因素的相对重要性，对模型预测进行了彻底的不确定性量化。全球敏感性指数表明，干预时间的相关性是隔离的4倍，是保护和感染率等大流行内在特征的8倍。它们之间相互作用的相关性也被量化和研究。
2020-05-04 stat.AP
A Regression Mixture Model to understand the effect of the Covid-19 pandemic on Public Transport Ridership
Université Gustave Eiffel（Gustave Eiffel大学）
本文提出一种回归混合模型，同时聚类公共交通站点并分割时间段，利用巴黎轨道交通五年数据揭示 Covid-19 疫情对客流量和每周通勤模式的影响。
2024-02-16 cs.AI stat.AP
Characterizing collective physical distancing in the U.S. during the first nine months of the COVID-19 pandemic
2019冠状病毒病大流行提供了一个前所未有的自然实验，为外源性（政府强制）和内源性（对感染风险的自发反应）起源的集体行为变化的出现提供了见解。在这里，我们通过分析一组超过550万个匿名、选择加入的美国设备的去识别、隐私保护位置数据，来描述集体物理距离--减少流动性、最小化接触、缩短接触时间--以应对疫苗前时代的COVID-19大流行。我们定义了五个用户移动性和邻近性指标，以研究新冠肺炎疫情前九个月内，新出现的集体行为如何偏离疫情前的典型模式。我们分析了由于政府强制执行的缓解政策而产生的巨大变化，以及社会在2020年秋季更自发地适应新的（物理距离）常态。这里定义的指标可以量化城乡之间的行为变化，并强调流动性和邻近性指标与表征大流行病社会和公共卫生影响（如失业和死亡）的指标之间的统计关联。这项研究提供了一个研究大规模社交距离现象的框架，可能用于分析和监测国家和国际层面大流行缓解计划的影响。
2022-12-17 physics.data-an physics.soc-ph stat.AP
Changes in Commuter Behavior from COVID-19 Lockdowns in the Atlanta Metropolitan Area
Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
本文通过检查三个时期的通勤模式，分析了与COVID-19相关的封锁对佐治亚州亚特兰大大都市区的影响：疫情封锁之前，期间和之后。在一个新的管道中利用蜂窝电话位置数据集来推断数千个用户的家庭和工作位置，这些用户来自基于密度的噪声应用空间聚类（DBSCAN）算法。从聚类中得到的坐标通过反向地理编码过程，从中提取词嵌入，以便基于工作场所名称和兴趣点（POI）映射对每个工作场所的行业进行分类。在所有三个时间段内和跨所有三个时间段分析从家庭地点到工作地点的通勤频率。公共卫生和经济因素进行了讨论，以解释所观察到的通勤模式的变化的潜在原因。
2023-02-27 cs.CL cs.LG stat.AP
A COVINDEX based on a GAM beta regression model with an application to the COVID-19 pandemic in Italy
检测COVID-19疾病传播随时间的变化是疫情增长的关键指标。对疫情增长的近实时监测对于政策制定者和公共卫生官员至关重要，他们需要就是否实施封锁或允许某些活动做出明智的决定。有效繁殖数Rt是许多国家用于这一目标的标准指标。然而，众所周知，由于感染和病例登记之间的延迟，其用于决策制定的用途受到一定限制。在本文中，近实时COVINDEX提出了监测大流行的演变。该指数是根据GAM beta回归获得的预测计算的，用于将测试阳性率建模为时间的函数。该建议使用意大利COVID-19大流行的数据进行说明，并与RT进行比较。还提出了一个简单的图表，供政策制定者和公共卫生官员监测地方和国家疫情。
2021-11-28 stat.AP
When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes
University of Cambridge（剑桥大学）；UCLA（加州大学洛杉矶分校）
2019冠状病毒病（COVID-19）全球大流行导致许多国家实施前所未有的封锁措施，以减缓疫情爆发。此后，有关政府是否采取了足够迅速的行动，以及封锁措施是否能很快解除的问题一直是公众讨论的中心问题。预测不同封锁政策情景下COVID-19死亡人数的数据驱动模型对于解决这些问题并向政府提供未来政策方向至关重要。为此，本文开发了一个贝叶斯模型，用于预测全球范围内COVID-19封锁政策的影响-我们将每个国家视为一个不同的数据点，并利用各国政策的变化来了解各国的政策影响。我们的模型利用了两层高斯过程（GP）先验--下层使用了分区SEIR（易感、暴露、感染、隔离）模型作为先验均值函数，具有“国家和政策特定”参数，可捕捉每个国家内“反事实”政策下的死亡率曲线，而上层则在所有国家共享，并学习低层SEIR参数作为一个国家的特征和政策指标的函数。我们的模型将SEIR模型（贝叶斯先验）的坚实机械基础与机器学习（贝叶斯后验）的灵活数据驱动建模和基于梯度的优化例程相结合-即，整个模型通过随机变分推断进行端到端的训练。我们将我们的模型对COVID-19死亡人数的预测与疾病控制中心（CDC）列出的其他模型进行了比较，并为各种封锁和重新开放策略提供了情景分析，突出了它们对COVID-19死亡人数的影响。
2020-06-03 cs.LG physics.soc-ph stat.AP
