[论文解读] A fractional model for the COVID-19 pandemic: Application to Italian data

Elisa Alòs, Maria Elvira Mancino+2 more|arXiv (Cornell University)|Jul 31, 2020

COVID-19 epidemiological studies参考文献 22被引用 10

一句话总结

本文提出了一种用于意大利新冠疫情的分数阶SIRD模型，其中感染率、康复率和死亡率由分数阶布朗运动驱动，以捕捉长程依赖性和非马尔可夫动态。该模型仅通过七个校准参数即可准确再现观测到的数据趋势与变异性，从而实现不确定性下大流行演变的随机情景分析。

ABSTRACT

We provide a probabilistic SIRD model for the COVID-19 pandemic in Italy, where we allow the infection, recovery and death rates to be random. In particular, the underlying random factor is driven by a fractional Brownian motion. Our model is simple and needs only some few parameters to be calibrated.

研究动机与目标

• 开发一个概率SIRD模型，以捕捉意大利新冠疫情复杂且非马尔可夫的动力学特征。
• 将时变的感染率、康复率和死亡率建模为由分数阶布朗运动（fBm）驱动的随机过程，反映无症状传播和免疫力衰减等未观测因素的影响。
• 仅通过少量参数对模型进行校准，以拟合感染、康复和死亡病例的观测数据，以及传播率和病死率的变异性。
• 通过模拟模型的随机结构生成多样化的大流行演变随机路径，实现情景分析。
• 证明当赫斯特参数H < 0.5时，fBm可自然再现率增量之间的负相关性，与β返回的实证观察结果一致。

提出的方法

• 将感染率β、康复率γ和死亡率μ建模为分别由赫斯特参数H、Hγ和Hμ驱动的分数阶布朗运动（fBm）的随机过程。
• 使用简化的SIRD系统，其中S/N ≈ 1，将模型简化为I、R、D的离散时间随机方程，其中β、γ、μ为时变随机变量。
• 采用两步校准程序：首先，基于观测到的β时间序列及其返回的自相关性，经验选择m和H；其次，使用普通最小二乘法（OLS）估计cβ、cμ、cγ¹、cγ²。
• 引入经验关系：μ被建模为与感染病例数呈线性延迟关系，γ被建模为累积确诊数的函数。
• 利用校准后的参数模拟多条样本路径，生成大流行进展的随机情景。
• 通过将模拟的感染、康复和死亡病例的均值路径与意大利观测数据（2020年2月24日至7月28日）对比，验证模型的有效性。

实验结果

研究问题

• RQ1 基于fBm驱动的传播、康复和死亡率的分数阶SIRD模型，能否准确再现意大利新冠疫情的观测演变？
• RQ2 使用赫斯特参数H < 0.5的分数阶布朗运动，是否足以捕捉意大利数据中观察到的感染率β增量之间的负相关性？
• RQ3 一个最小参数的随机模型，能否同时拟合关键疫情指标（感染、康复、死亡）的均值趋势与变异性？
• RQ4 将γ和μ建模为累积确诊数的函数，对模型再现观测延迟与趋势的能力有何影响？
• RQ5 校准后的模型能否在不确定性下生成合理的大流行未来演变随机情景？

主要发现

• 校准后的模型成功再现了2020年2月24日至7月28日期间意大利感染、康复和死亡病例的观测均值路径。
• 估计的参数为cβ = 0.3210，cμ = 0.1398，cγ¹ = 0.0338，cγ² = 0.5440，β过程的m = 10，H = 0.1，γ过程的Hγ = 0.6。
• 模型捕捉到了β返回的负相关性（实证：-0.347，模拟：-0.314），验证了fBm驱动β时采用H = 0.1的合理性。
• γ过程被建模为累积确诊数的函数，其滞后1阶自相关系数为0.244，与估计的Hγ = 0.657（四舍五入为0.6）一致。
• β、γ和μ的模拟路径展现出现实的变异性与时间结构，包括μ相对于I的延迟响应。
• 该模型可生成多样化随机情景，证明其在不确定性下进行情景预测与政策分析方面的实用性。