COVID-19的时间变化感染率和缓解措施的数据驱动深度学习算法
摘要：COVID-19大流行期间，具有固定参数的流行病学模型可能无法捕捉到满意的感染模式，因为传染性是时间的函数。在本文中，引入了一种基于流行病学的神经网络算法，用于学习COVID-19流行期间各种减轻措施下的传播率的时变性。存在无症状传染者，大部分未被报告，所提出的算法学习总传染人数中无症状传染者的比例。我们使用累积和每日报告的有症状传染者的病例，模拟非药物减轻措施（如早期发现感染者，接触追踪和社交距离）对基础再生数的影响。我们展示了疫苗对COVID-19传播的有效性。使用误差指标在数据驱动的意大利、韩国、英国和美国COVID-19数据的模拟中证明了所提算法的准确性。
作者：K.D. Olumoyin, A.Q.M. Khaliq, K.M. Furati
论文ID：2104.02603
分类：Populations and Evolution
分类简称：q-bio.PE
提交时间：2022-05-16