[论文解读] Forecasting COVID 19 growth in India using Susceptible-Infected-Recovered (S.I.R) model

Jay Naresh Dhanwant, V. Ramanathan|arXiv (Cornell University)|Apr 1, 2020

COVID-19 epidemiological studies参考文献 4被引用 36

一句话总结

论文使用可学习社交接触参数 eta 的 SIR 模型来预测印度 COVID-19 增长并评估社交疏离措施的有效性。结论是在时印度观察到的社交疏离不足以抑制增长。

ABSTRACT

This work covers the analysis of the COVID 19 spread in different countries and dealing the main feature of COVID 19 growth, which is the spread due to the social-contact structure, which is governed by the parameter \b{eta}. The dependency of this parameter \b{eta} on the transmission level in society gives a sense of the effectiveness of the measures taken for social distancing. A separate algorithm is hardcoded in python using Scipy which learns the social-contact structure and gives a suitable value for \b{eta}, which has a major impact on the outcome of the result. Forecasting for the epidemic spread in India was done, and it was found that the strictness at which social distancing in India is done, is insufficient for the growth of COVID 19.

研究动机与目标

• 使用 SIR 框架分析印度 COVID-19 的传播。
• 建模社交接触结构（eta）对传播的影响。
• 开发基于 Python/Scipy 的算法以从数据中学习 eta。
• 在印度社交疏离情景下预测疫情增长。

提出的方法

• 采用传输参数依赖于社交接触结构（eta）的 SIR 模型。
• 硬编码一个基于 Python/Scipy 的算法从数据中学习 eta。
• 利用学习到的 eta 预测印度的疫情增长。
• 评估社交疏离严格程度对增长结果的影响。

实验结果

研究问题

• RQ1 在 SIR 框架中，社交接触结构参数 eta 如何影响 COVID-19 的传播？
• RQ2 是否可以通过专用算法从经验证数据中推断 eta 以改进预测？
• RQ3 研究期间印度的社交疏离措施的严格程度对预测意味着什么？

主要发现

• 一个可学习的 eta 参数捕捉社交接触结构并影响模型结果。
• 该算法估计 eta 以反映传播水平和社交疏离的有效性。
• 预测表明在研究期间印度的社交疏离严格程度不足以控制增长。