[论文解读] SIRNet: Understanding Social Distancing Measures with Hybrid Neural Network Model for COVID-19 Infectious Spread

Nicholas Soures, David R. Chambers+6 more|arXiv (Cornell University)|Apr 22, 2020

COVID-19 epidemiological studies参考文献 32被引用 33

一句话总结

SIRNet 是一个混合神经网络，将 SEIR 疫病模型与基于 LSTM 的预测网络耦合，利用流动性数据和本地人口数据来预测 COVID-19 的传播，从而实现对社交距离效果的情景分析。

ABSTRACT

The SARS-CoV-2 infectious outbreak has rapidly spread across the globe and precipitated varying policies to effectuate physical distancing to ameliorate its impact. In this study, we propose a new hybrid machine learning model, SIRNet, for forecasting the spread of the COVID-19 pandemic that couples with the epidemiological models. We use categorized spatiotemporally explicit cellphone mobility data as surrogate markers for physical distancing, along with population weighted density and other local data points. We demonstrate at varying geographical granularity that the spectrum of physical distancing options currently being discussed among policy leaders have epidemiologically significant differences in consequences, ranging from viral extinction to near complete population prevalence. The current mobility inflection points vary across geographical regions. Experimental results from SIRNet establish preliminary bounds on such localized mobility that asymptotically induce containment. The model can support in studying non-pharmacological interventions and approaches that minimize societal collateral damage and control mechanisms for an extended period of time.

研究动机与目标

• 在有限的检测和报告条件下，通过将数据驱动学习与疫情动力学相结合，推动准确的 COVID-19 预测。
• 开发一个混合模型，将流动性与人口特征映射到 SEIR 参数，以实现区域特定的预测。
• 实现对流动性/社交距离政策的情景分析，以理解潜在的疫情控制或再次爆发。
• 提供一个端到端框架，能够适应不同地理粒度和数据源。

提出的方法

• 构建一个混合预测网络（SIRNet），将循环神经网络与 SEIR 单元结合。
• 用可学习参数表示 SEIR 动力学中的 beta（接触率）和 gamma（恢复率），这些参数从流动性和人口数据中学习。
• 将 beta(t) 建模为流动性特征的非线性函数：beta(t) = ReLU(W · x)^p，实现对流动性影响的灵活缩放。
• 在国家、州和县层面整合流动性数据，以驱动区域特定的接触率。
• 端到端训练模型，将流动性输入映射到分区动力学和由此产生的病例数。
• 以经典 SEIR 方程为基础，进行数据驱动的参数学习，以实现真实感与可解释性。

实验结果

研究问题

• RQ1 是否可以使用流动性数据来准确学习随时间变化的接触率 beta，并预测 COVID-19 的病例轨迹？
• RQ2 不同的流动性/距离政策情景如何影响各地区的有效再现数和峰值病例数？
• RQ3 SIRNet 框架是否能很好拟合区域数据并为政策规划提供有用的情景预测？

主要发现

• SIRNet 可以利用流动性信息拟合区域病例数，以确定 SEIR 接触率。
• 持续的隔离级别流动性预测较低的病例数，而更高的流动性在不同区域可能导致峰值。
• 在名义水平约为 0.7 的流动性可能触发失控爆发，而在测试情景中低于 0.5 的流动性趋向局部清零。
• 该模型提供情景预测，显示放宽限制如何影响各国和各县的现有病例和累计病例。
• 在给定区域年龄结构和住院率的前提下，SIRNet 能够对预测的现有病例估算按年龄组的住院率。