[论文解读] Analysis, Identification, and Validation of Discrete-Time Epidemic Processes

Philip E. Paré, Ji Liu+3 more|arXiv (Cornell University)|Oct 30, 2017

COVID-19 epidemiological studies参考文献 26被引用 5

一句话总结

本文提出了一种具有网络依赖传播的离散时间易感-感染-易感（SIS）流行病模型，建立了稳定性与参数可识别性的必要和充分条件，并利用约翰·斯诺1854年伦敦霍乱数据集以及美国农业部农场补贴采纳数据对模型进行了验证，在模拟现实世界采纳趋势时实现了23.48%的Frobenius范数误差。

ABSTRACT

Models of spread processes over non-trivial networks are commonly motivated by modeling and analysis of biological networks, computer networks, and human contact networks. However, identification of such models has not yet been explored in detail, and the models have not been validated by real data. In this paper, we present several different spread models from the literature and explore their relationships to each other; for one of these processes, we present a sufficient condition for asymptotic stability of the healthy equilibrium, show that the condition is necessary and sufficient for uniqueness of the healthy equilibrium, and present necessary and sufficient conditions for learning the spread parameters. Finally, we employ two real datasets, one from John Snow's seminal work on cholera epidemics in London in the 1850's and the other one from the United States Department of Agriculture, to validate an approximation of a well-studied network-dependent susceptible-infected-susceptible (SIS) model.

研究动机与目标

• 为解决缺乏使用真实世界时间序列传播数据对网络依赖流行病模型进行验证的问题。
• 从经验数据中识别并学习离散时间SIS模型中的传播参数（感染率β和恢复率δ）。
• 建立系统健康平衡点渐近稳定性的理论条件，并证明无病状态的唯一性。
• 在两个真实数据集上验证模型：约翰·斯诺1854年伦敦霍乱疫情和美国各县的农业部农场补贴采纳情况。
• 证明该模型能够基于局部试点数据预测大规模采纳模式，从而支持战略性干预规划。

提出的方法

• 基于邻接矩阵A和表示感染密度的状态向量F(t)的非线性常微分方程框架，在网络上构建离散时间SIS模型。
• 利用矩阵βA − δI的谱半径，推导出健康平衡点渐近稳定的必要和充分条件。
• 应用最小二乘法参数估计技术，从时间序列数据中学习β和δ，使用数据集的子集（如美国农业部数据中的爱达荷州）。
• 基于县边界定义网络拓扑结构，若县i与县j共享边界或i = j，则a_{ij} = 1。
• 采用时间离散化步长h = 1，模拟系统在多个时间步上的动态演化，初始条件由真实数据导出。
• 通过计算模拟数据与实际数据在多个时间点之间的Frobenius范数误差，验证模型性能。

实验结果

研究问题

• RQ1 在具有网络依赖性的离散时间SIS模型中，健康平衡点渐近稳定的必要和充分条件是什么？
• RQ2 在所提出的SIS模型中，健康平衡点在何种条件下是唯一的？
• RQ3 能否从真实世界的时间序列数据中可靠地识别出感染率和恢复率参数（β和δ）？
• RQ4 当基于局部数据校准后，该模型在模拟真实世界流行病传播过程方面表现如何？
• RQ5 该模型能否基于试点项目数据预测政策或创新（如农场补贴）的大规模采纳模式？

主要发现

• 当使用从爱达荷州数据中学习到的参数模拟美国各县对ACRE计划的采纳时，该模型的Frobenius范数误差为23.48%。
• 若矩阵βA − δI的谱半径小于1，则健康平衡点渐近稳定，且该条件对于无病状态的唯一性而言既是必要也是充分的。
• 利用爱达荷州数据估计出的感染率和恢复率参数分别为β̂ = 0.02237450和δ̂ = 0.00909176，且h = 1。
• 在基于静态空间数据、通过合理但较强的假设重建时间序列数据后，该模型成功再现了约翰·斯诺霍乱数据集的时间动态。
• 该模型展示了对大规模采纳趋势的预测能力，表明其在设计公共卫生或政策推广的针对性干预策略方面具有实用价值。
• 这是首次已知使用真实传播过程数据对网络依赖SIS模型进行的验证，填补了流行病建模文献中的关键空白。