[论文解读] Simulation of Covid-19 epidemic evolution: are compartmental models really predictive?

Marco Paggi|arXiv (Cornell University)|Apr 14, 2020

COVID-19 epidemiological studies参考文献 6被引用 10

一句话总结

本研究评估了改进的SIR分 compartment 模型在模拟意大利伦巴第大区COVID-19疫情中的预测可靠性——该模型引入了无症状和死亡人群 compartment。通过使用粒子群优化（PSO）方法，基于逐步扩大的数据集校准模型参数，作者发现预测结果对训练数据量高度敏感，表明当前数据仍不足以实现收敛且可靠的预测。

ABSTRACT

Computational models for the simulation of the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic evolution would be extremely useful to support authorities in designing healthcare policies and lockdown measures to contain its impact on public health and economy. In Italy, the devised forecasts have been mostly based on a pure data-driven approach, by fitting and extrapolating open data on the epidemic evolution collected by the Italian Civil Protection Center. In this respect, SIR epidemiological models, which start from the description of the nonlinear interactions between population compartments, would be a much more desirable approach to understand and predict the collective emergent response. The present contribution addresses the fundamental question whether a SIR epidemiological model, suitably enriched with asymptomatic and dead individual compartments, could be able to provide reliable predictions on the epidemic evolution. To this aim, a machine learning approach based on particle swarm optimization (PSO) is proposed to automatically identify the model parameters based on a training set of data of progressive increasing size, considering Lombardy in Italy as a case study. The analysis of the scatter in the forecasts shows that model predictions are quite sensitive to the size of the dataset used for training, and that further data are still required to achieve convergent -- and therefore reliable -- predictions.

研究动机与目标

• 评估包含无症状和死亡 compartment 的改进SIR模型是否能可靠预测伦巴第大区COVID-19疫情的演变。
• 研究训练数据集大小对模型预测收敛性和可靠性的影响。
• 开发并应用基于机器学习的参数识别方法，使用粒子群优化（PSO）求解流行病学模型参数。
• 确定官方数据源的驱动型预测是否足够，还是机制模型能提供更优的预测能力。
• 评估在大流行爆发期间，现实数据限制下分 compartment 模型的鲁棒性。

提出的方法

• 构建一个扩展的SIR模型，包含易感者、感染者、无症状者、康复者和死亡者 compartment。
• 利用粒子群优化（PSO）优化模型参数（如传播率和恢复率），以最小化与观测数据的误差。
• 使用逐步扩大的训练集，从疫情早期数据开始，逐步增加新观测数据，以评估模型收敛性。
• 通过将预测结果与实际数据对比，评估模型的预测性能，并通过不同训练集大小下预测结果的离散程度量化不确定性。
• PSO算法迭代调整参数集合，以最小化模型输出与实际病例数之间的均方根误差。
• 对预测结果随训练数据量变化的敏感性进行分析，以评估预测的可靠性和收敛性。

实验结果

研究问题

• RQ1 包含无症状和死亡 compartment 的改进SIR模型能否可靠预测伦巴第大区COVID-19疫情的演变？
• RQ2 训练数据集的大小如何影响模型预测的收敛性和可靠性？
• RQ3 使用粒子群优化是否能提升分 compartment 模型在实时疫情预测中的参数识别能力？
• RQ4 基于官方统计数据的驱动型外推是否足以实现可靠预测，还是机制模型能提供更强的预测能力？
• RQ5 在疫情持续演变过程中，新数据的纳入在多大程度上影响模型预测的敏感性？

主要发现

• 当使用小规模数据集训练时，模型预测表现出显著的离散性，表明对初始数据高度敏感。
• 随着训练数据集规模的增加，预测的离散性减小，表明预测正趋于收敛。
• 尽管数据持续增加，预测仍未完全收敛，表明当前数据仍不足以实现长期可靠预测。
• 粒子群优化（PSO）方法成功识别出能最小化与观测数据误差的模型参数。
• 本研究表明，即使结构良好的分 compartment 模型，在使用有限或早期阶段的疫情数据训练时，依然不可靠。
• 结果表明，数据可得性——而不仅仅是模型结构——仍是实时疫情建模中预测精度的关键瓶颈。