[论文解读] Covid-19 spread: Reproduction of data and prediction using a SIR model on Euclidean network

Kathakali Biswas, Abdul Khaleque+1 more|arXiv (Cornell University)|Mar 16, 2020

COVID-19 epidemiological studies参考文献 21被引用 69

一句话总结

本文使用在欧几里得网络上的 SIR 模型拟合中国 COVID-19 数据，重现时间和距离模式，并预测局部疫情结论。

ABSTRACT

We study the datafor the cumulative as well as daily number of cases in the Covid-19 outbreak in China. The cumulative data can be fit to an empirical form obtained from a Susceptible-Infected-Removed (SIR) model studied on an Euclidean network previously. Plotting the number of cases against the distance from the epicenter for both China and Italy, we find an approximate power law variation with an exponent $\sim 1.85$ showing strongly that the spatial dependence plays a key role, a factor included in the model. We report here that the SIR model on the Eucledean network can reproduce with a high accuracy the data for China for given parameter values, and can also predict when the epidemic, at least locally, can be expected to be over.

研究动机与目标

• 使用在欧几里得网络上的 SIR 模型来理解中国 COVID-19 的时空传播。
• 用从欧几里得网络上的 SIR 推导的经验形式拟合累计确诊数据。
• 探究距离震中与病例数之间的关系以评估时空相关性。

提出的方法

• 在欧几里得网络上使用带距离相关远程连接的 SIR 模型（P(ℓ) ∝ ℓ^{−δ}）和感染概率 q。
• 将累计感染数据 R(t) 拟合为 R(t) = a exp(t/T) / [1 + c exp(t/T)]，其中 a、c、T 为拟合参数。
• 通过对 R(t) 求导得到 I(t)，并定位峰值时间 t_p = T ln(1/c)。
• 对 2^12 节点的网络进行最近邻 加上一个随机远程链接的模拟；对 100 个配置的平均结果进行比较。
• 将模型输出重新缩放以匹配真实数据的饱和，并将蒙特卡罗步数换算为天以便比较。

实验结果

研究问题

• RQ1 在欧几里得网络上的 SIR 模型是否能再现中国 COVID-19 累计病例的时间演变？
• RQ2 模型是否捕捉到随着距离震中增加病例的空间衰减，及这对接触范围 δ 的含义？
• RQ3 哪些参数值（δ，q）能再现数据，这些对传播动力学和疫情持续时间有何含义？
• RQ4 根据模型，疫情结束的估计时间框架是多少？

主要发现

• 中国的累计数据可以用 R(t) = a exp(t/T) / [1 + c exp(t/T)] 拟合，其中 a = 1.15698×10^−6, c = 0.0201529, T = 5.22，且参数误差较小。
• 随距离的感染速率衰减遵循幂律 R(d) ∝ d^−γ，其中 γ = 1.85 ± 0.1，适用于中国（武汉）与意大利（贝尔加莫）震中。
• 一个在欧几里得网络上的 SIR 模型，δ ≈ 1.8 和 q ≈ 0.85，在适当重新缩放后再现中国数据（暴露分数 ρ ≈ 6.0783×10^−5）。
• 模型预测疫情在中国可能在自 2020-01-21 起约 60–78 天结束，约在 82 个蒙特卡罗步时零感染代理（约 78 天）。
• 较高的 δ 暗示较短的有效接触范围；相对较高的 q 反映了模型情境下更强的传播；结果与无移动性的控制解释一致。
• 拟合对 δ 和 q 的微小变化（±0.05）仍然稳健，并且不需要显式的防控因素即可再现数据。