[论文解读] Epidemiological short-term Forecasting with Model Reduction of Parametric Compartmental Models. Application to the first pandemic wave of COVID-19 in France

Athmane Bakhta, Thomas Boiveau+2 more|HAL (Le Centre pour la Communication Scientifique Directe)|Nov 5, 2020

COVID-19 epidemiological studies参考文献 6被引用 4

一句话总结

本论文提出了一种基于时变SIR模型与低参数基底的模型降阶方法，用于短期流行病预测。通过从合成流行病情景中学习传播率（$\beta$）和恢复率（$\gamma$）的低维流形，该方法实现了对法国首次和第二次新冠疫情波峰期间感染人数与移除人数的准确两周预测，其中基于Eikonal的非负贪婪（ENG）降阶基底在鲁棒性与准确性方面优于SVD和NMF。

ABSTRACT

We propose a forecasting method for predicting epidemiological health series on a two-week horizon at the regional and interregional resolution. The approach is based on model order reduction of parametric compartmental models, and is designed to accommodate small amount of sanitary data. The efficiency of the method is shown in the case of the prediction of the number of infected and removed people during the two pandemic waves of COVID-19 in France, which have taken place approximately between February and November 2020. Numerical results illustrate the promising potential of the approach.

研究动机与目标

• 解决在健康数据有限且嘈杂的情况下，大流行期间短期流行病预测的挑战。
• 克服传统分室模型在估计参数时的高不确定性，尤其是针对SARS-CoV-2等新发疾病。
• 通过降低模型复杂度，开发一种在拟合精度与预测能力之间取得平衡的预测框架。
• 仅使用住院数据和无症状病例的校正因子，实现区域及区域间预测，时间跨度为两周。
• 在法国首次和第二次疫情波峰期间的真实数据（2020年2月至11月）上展示该方法的有效性。

提出的方法

• 使用带有时变传播率（$\\beta(t)$）和恢复率（$\\gamma(t)$）的参数化SIR模型，在训练窗口$[0,T]$内精确拟合观测数据。
• 通过在更长的时间区间$[0,T+\\tau]$内对参数配置进行均匀采样，生成大量虚拟流行病情景，以学习$\beta(t)$和$\gamma(t)$的动力学特性。
• 应用模型降阶技术——奇异值分解（SVD）、非负矩阵分解（NMF）以及基于Eikonal的非负贪婪（ENG）——构建$\beta$与$\gamma$的低维降阶基底。
• 将观测数据投影到降阶基底上，以在$[0,T]$区间内找到最佳拟合的$\beta_n^*(t)$与$\gamma_n^*(t)$函数。
• 利用降阶基底在扩展时间区间$[0,T+\tau]$上的特性，从$T$到$T+\tau$生成预测，其中$\tau=14$天。
• 使用$\beta$与$\gamma$的相对误差在感染人数（$I$）和移除人数（$R$）上的$L^1$与$L^\infty$误差评估预测性能。

(a) Infected

实验结果

研究问题

• RQ1 基于时变SIR参数的降阶模型是否能以最少数据实现准确的短期预测？
• RQ2 不同模型降阶技术（SVD、NMF与ENG）在拟合与预测性能方面如何比较？
• RQ3 拟合方法的选择（routine-IR与routine-$\bm{\beta\gamma}$）是否影响预测的鲁棒性与准确性？
• RQ4 预测误差对预测窗口起始日期$T$的敏感性如何？
• RQ5 在监测数据有限的疫情早期阶段，该方法是否能可靠预测区域及区域间趋势？

主要发现

• 基于Eikonal的非负贪婪（ENG）降阶基底在所有测试场景中，无论在拟合还是预测精度方面，均持续优于SVD与NMF。
• 使用routine-$\bm{\beta\gamma}$与ENG降阶基底的预测误差最低且最稳定，$I$的$L^1$相对误差低于$10^{-2}$，$R$的$L^\infty$误差低于$10^{-3}$，适用于$n=2$至$n=7$的情况。
• 基于SVD的预测误差随基底维度$n$增加而中等程度降低，但在$n=20$时，$I$的误差仍高于$10^{-4}$，$R$的误差仍高于$10^{-5}$。
• 基于NMF的方法在$\beta$与$\gamma$的拟合误差上呈现约$10^{-1}$的振荡，但由于其固有的正则化特性，对$I$与$R$的预测误差相对较低。
• 使用routine-IR的SVD与NMF预测比使用routine-$\bm{\beta\gamma}$更鲁棒，后者在某些情况下出现误差爆炸。
• 预测性能对起始日期$T$的依赖性很强，早期预测（如$T=01/04$）的误差波动性高于后期预测（如$T=05/05$）。

(b) Removed