在本文中，我们建议对罗马尼亚的Covid19的演变进行三个阶段分析。关于大流行预测，有两个主要问题。第一个是事实，即受感染和恢复的数量是不可靠的，但是死亡人数更准确。第二个问题是有许多因素影响了大流行的演变。在本文中，我们提出了三个阶段的分析。第一阶段是基于我们使用神经网络进行的经典SIR模型。这提供了第一组每日参数。在第二阶段，我们提出了对SIR模型的改进，其中我们将死者分为不同的类别。通过使用第一个估计和网格搜索，我们每天对参数进行估计。第三阶段用于定义参数的转折点（本地极端）的概念。我们将这些要点之间的时间称为政权。我们根据SIRD的时间变化参数来概述一种通用方式，以进行预测。

在本文中，我们提出了对罗马尼亚的进化和预测的分析，结合了SIRD的数学模型，Sird的数学模型是经典模型SIR的扩展，其中包括死者作为单独的类别。原因是，由于我们无法完全信任被报告的感染或恢复人数，因此我们基于更可靠的死者人数的分析。此外，我们模型的参数之一包括感染和测试与受感染的比例。由于有许多因素对大流行的演变产生影响，因此我们决定基于前7天的数据来处理估计和预测，在这里尤其重要。我们使用神经网络分两个步骤执行估计和预测。首先，通过使用模型模拟数据，我们训练了几个学习模型参数的神经网络。其次，我们使用这些神经网络中的十个集合来预测罗马尼亚Covid19的真实数据的参数。这些结果中的许多是由定理支持的，该定理可以保证我们可以从报告的数据中恢复参数。

使用数学模型（例如易感性暴露于易感性的（SEIR）（SEIR），Logistic回归（LR））和一种称为多项式回归方法的机器学习方法进行了对哥伦比亚疾病共同19的分析研究。先前的分析已经对每天的病例，死亡，感染者和暴露于该病毒的人进行了分析，所有这些病例都在550天的时间表中所有人。此外，它使感染扩散的拟合详细介绍了较低的传播误差和统计偏差的最佳方法。最后，提出了四种不同的预防方案，以评估与该疾病有关的每个参数的比率。

在这项工作中，我们提出了一种称为疾病知识神经网络（Dinns）的方法，可以使用能够有效地预测传染病的传播。这种方法在成功的物理学上建立了已经应用于可以通过线性和非线性普通和部分微分方程建模的各种应用的知识神经网络方法。具体而言，我们建立了Pinns向SIR隔间模型的应用，并扩展了描述各种传染病的脚手架数学模型。我们展示神经网络如何能够学习疾病如何传播，预测其进展，并找到其独特参数（例如死亡率）。为了证明Dinns的稳健性和疗效，我们将这种方法应用于11种高度传染病，这些疾病在增加的复杂程度上进行了建模。我们的计算实验表明，Dinns是有效了解传播动态的可靠候选者，并预测其在可用现实世界数据中的进展中的进展。

使用隔室模型的多种方法已被用于研究Covid-19的大流行，并且使用这些模型的机器学习方法的使用取得了特别明显的成功。我们在这里提出了一种使用“物理知情的神经网络”（PINN）的变体来分析Covid-19美国开发的可访问数据的方法，该方法能够使用模型的知识来帮助学习。我们说明了使用标准PINN方法的挑战，然后如何对网络进行适当和新颖的修改，即使在我们的信息不完整的情况下，网络也可以表现出色。还评估了模型参数的可识别性方面，以及使用小波变换来降低可用数据的方法。最后，我们讨论了神经网络方法与不同参数值模型合作的能力，以及在估计人群中如何有效测试案例的具体应用，从而通过各自提供了美国州的排名测试。

流行病学中的数学模型是一种不可或缺的工具，可以确定传染病的动态和重要特征。除了他们的科学价值之外，这些模型通常用于在正在进行的爆发期间提供政治决策和干预措施。然而，通过将复杂模型连接到真实数据来可靠地推断正在进行的爆发的动态仍然很难，并且需要费力的手动参数拟合或昂贵的优化方法，这些方法必须从划痕中重复给定模型的每个应用。在这项工作中，我们用专门的神经网络的流行病学建模的新组合来解决这个问题。我们的方法需要两个计算阶段：在初始训练阶段中，描述该流行病的数学模型被用作神经网络的教练，该主管是关于全球可能疾病动态的全球知识。在随后的推理阶段，训练有素的神经网络处理实际爆发的观察到的数据，并且揭示了模型的参数，以便实际地再现观察到的动态并可可靠地预测未来的进展。通过其灵活的框架，我们的仿真方法适用于各种流行病学模型。此外，由于我们的方法是完全贝叶斯的，它旨在纳入所有可用的关于合理参数值的先前知识，并返回这些参数上的完整关节后部分布。我们的方法在德国的早期Covid-19爆发阶段的应用表明，我们能够获得可靠的概率估计对重要疾病特征，例如生成时间，未检测到的感染部分，症状发作前的传播可能性，以及报告延迟非常适中的现实观测。

在这项工作中，我们评估了人口模型和机器学习模型的合奏，以预测COVID-19大流行的不久的将来的演变，并在西班牙有特殊的用例。我们仅依靠开放和公共数据集，将发生率，疫苗接种，人类流动性和天气数据融合来喂养我们的机器学习模型（随机森林，梯度增强，K-Nearest邻居和内核岭回归）。我们使用发病率数据来调整经典人群模型（Gompertz，Logistic，Richards，Bertalanffy），以便能够更好地捕获数据的趋势。然后，我们整合了这两个模型家族，以获得更强大，更准确的预测。此外，我们已经观察到，当我们添加新功能（疫苗，移动性，气候条件）时，使用机器学习模型获得的预测有所改善，使用Shapley添加说明值分析了每个功能的重要性。就像在任何其他建模工作中一样，数据和预测质量都有多个局限性，因此必须从关键的角度看待它们，如我们在文本中所讨论的那样。我们的工作得出的结论是，这些模型的合奏使用可以改善单个预测（仅使用机器学习模型或仅使用人口模型），并且在由于缺乏相关数据而无法使用隔室模型的情况下，可以谨慎地应用。

在这项工作中，引入了SVEIDR模型及其变体（老年，疫苗接种模型），以编码不同年龄段和疫苗接种状态的社会接触影响。然后，我们在模拟和现实世界数据上实现了物理信息的神经网络。本文显示了包括从神经网络中学到的COVID-19的传播和预测分析的结果。

共同检测和隔离Covid-19患者对于成功实施缓解策略并最终遏制疾病扩散至关重要。由于在每个国家 /地区进行的每日共同测试数量有限，因此模拟COVID-19的扩散以及目前每种缓解策略的潜在影响仍然是管理医疗保健系统和指导决策者的最有效方法之一。我们介绍了Covidhunter，这是一种灵活而准确的Covid-19爆发模拟模型，评估了当前适用于该地区的缓解措施，可预测Covid-19统计数据（每日案件，住院和死亡人数），并就何种建议提供建议。力量即将进行的缓解措施应该是。 Covidhunter的关键思想是通过模拟考虑到外部因素的影响，例如环境条件（例如气候，温度，湿度，湿度），关注的不同变体，疫苗接种率和缓解措施。 Covidhunter以瑞士为案例研究，估计我们正在经历一场致命的新浪潮，该浪潮将于2022年1月26日达到顶峰，这与我们2020年2月的浪潮非常相似。决策者只有一个选择是为了增加30天的当前缓解措施的强度。与现有模型不同，Covidhunter模型可以准确监视，并预测COVID-19造成的病例，住院和死亡人数。我们的模型可以灵活地进行配置，并且可以易于修改，以在不同的环境条件和缓解措施下对不同方案进行建模。我们在https://github.com/cmu-safari/covidhunter上发布了covidhunter实现的源代码。

了解Covid-19的传播是众多研究的主题，突出了可靠的流行模型的重要性。在这里，我们使用带有时间协变量的潜在霍克斯工艺引入了一种新型的流行模型，用于建模感染。与其他模型不同，我们通过基础霍克斯过程驱动的概率分布进行对报告的案例进行建模。通过霍克斯过程对感染进行建模，使我们能够估计受感染的人感染的人。我们提出了一个内核密度颗粒滤波器（KDPF），以推断潜在病例和繁殖数，并在不久的将来预测新病例。计算工作与感染的数量成正比，使使用粒子滤波器类型算法（例如KDPF）成为可能。我们证明了拟议的算法对合成数据集的性能，而Covid-19报告了英国各个地方当局的病例，并将我们的模型基于替代方法。

由于Covid-19-19疫苗可用，因此没有研究量化不同的灾难疏散策略如何减轻避难所中的大流行风险。因此，我们应用了一个年龄结构化的流行病学模型，称为易感性暴露感染（SEIR）模型，以研究台湾不同的疫苗摄取水平以及在台湾实施的转移方案在多大程度上降低了感染和延迟流行峰值的情况。台湾的转移协议涉及转移因曝光而自我占用的人，从而阻止了他们与集体庇护所的普通公众融合。转移方案，结合足够的疫苗摄取，可以减少相对于没有这种策略的情况，相对于场景，感染的最大数量和延迟爆发。当所有暴露的人的转移是不可能的，或者疫苗的摄取不足时，转移方案仍然很有价值。此外，一组主要由年轻人人口组成的撤离者往往会早日出现大流行峰值，并且在实施转移方案时，多数老年人组的感染比多数老年人多。但是，当不执行转移方案时，多数老年人群体比大多数年轻成人群体高达20％。

随着Covid-19影响每个国家的全球和改变日常生活，预测疾病的传播的能力比任何先前的流行病更重要。常规的疾病 - 展开建模方法，隔间模型，基于对病毒的扩散的时空均匀性的假设，这可能导致预测到欠低，特别是在高空间分辨率下。本文采用替代技术 - 时空机器学习方法。我们提出了Covid-LSTM，一种基于长期短期内存深度学习架构的数据驱动模型，用于预测Covid-19在美国县级的发病率。我们使用每周数量的新阳性案例作为时间输入，以及来自Facebook运动和连通数据集的手工工程空间特征，以捕捉时间和空间的疾病的传播。 Covid-LSTM在我们的17周的评估期间优于Covid-19预测集线器集合模型（CovidHub-Ensemble），使其首先比一个或多个预测期更准确的模型。在4周的预测地平线上，我们的型号平均每县平均50例比CovidHub-Ensemble更准确。我们强调，在Covid-19之前，在Covid-19之前的数据驱动预测的未充分利用疾病传播的预测可能是由于以前疾病缺乏足够的数据，除了最近的时尚预测方法的机器学习方法的进步。我们讨论了更广泛的数据驱动预测的障碍，以及将来将使用更多的基于学习的模型。

背景：COVID-19患者的早期检测和隔离对于成功实施缓解策略并最终遏制疾病扩散至关重要。由于在每个国家 /地区进行的每日共同测试数量有限，因此模拟COVID-19的扩散以及目前每种缓解策略的潜在影响仍然是管理医疗保健系统和指导决策者的最有效方法之一。方法：我们介绍了Covidhunter，这是一种灵活而准确的Covid-19爆发模拟模型，该模型评估了应用于区域的当前缓解措施，并提供有关即将进行的缓解措施的强度的建议。 Covidhunter的关键思想是通过模拟考虑到外部因素的影响，例如环境条件（例如气候，温度，湿度，湿度）和缓解措施。结果：使用瑞士作为案例研究，Covidhunter估计，如果政策制定者放宽30天的缓解措施50％，那么医院病床的日常容量和每日死亡人数平均每天的死亡人数平均增加了5.1倍，则会增加5.1倍谁可能会占用ICU床和呼吸机一段时间。与现有模型不同，Covidhunter模型可以准确监视，并预测COVID-19造成的病例，住院和死亡人数。我们的模型可以灵活地配置，并且可以易于修改，以在不同的环境条件和缓解措施下对不同方案进行建模。可用性：我们在https://github.com/cmu-safari/covidhunter上发布了covidhunter实现的源代码，并展示如何在任何情况下灵活配置我们的模型，并轻松地将其扩展为不同的度量和条件。

Multiple lines of evidence strongly suggest that infection hotspots, where a single individual infects many others, play a key role in the transmission dynamics of COVID-19. However, most of the existing epidemiological models fail to capture this aspect by neither representing the sites visited by individuals explicitly nor characterizing disease transmission as a function of individual mobility patterns. In this work, we introduce a temporal point process modeling framework that specifically represents visits to the sites where individuals get in contact and infect each other. Under our model, the number of infections caused by an infectious individual naturally emerges to be overdispersed. Using an efficient sampling algorithm, we demonstrate how to estimate the transmission rate of infectious individuals at the sites they visit and in their households using Bayesian optimization and longitudinal case data. Simulations using fine-grained and publicly available demographic data and site locations from Bern, Switzerland showcase the flexibility of our framework. To facilitate research and analyses of other cities and regions, we release an open-source implementation of our framework.

在这项研究中，我们提出了一种基于聚类的方法在时间序列数据上，以在大流行早期捕获Covid-19传播模式。我们根据不同地理位置的不同国家的Covid-19早期和柱阶段分析了传播动力学。此外，我们调查监禁政策及其对蔓延的影响。我们发现相同监禁政策的实施表现出不同国家的不同结果。具体而言，由于遵守社会疏远措施，锁定在密集的地区变得不那么有效。在一些国家缺乏测试，联系跟踪和社会意识，迫使人们从自隔离和维持社会距离。具有不健康的生活条件的大型劳营营也有助于根据异国劳动的国家高社区传输。在政府政策和假新闻中的不信任煽动于发达国家和发达国家的传播。大型社交聚会在几乎到处造成快速爆发时发挥着至关重要的作用。虽然一些国家能够通过实施严格和广泛采用的监禁政策来遏制传播，但其他一些其他国家在社会疏远措施和严格的测试能力的帮助下载有传播。在大流行开始的早期和快速的反应是包含传播所必需的，但它并不总是足够的。

从其随机传播低分辨率的结果中，推断流行病学系统中扰动的时机和幅度与具有挑战性一样重要。这是当前方法的必要条件，以克服了解进行分析的扰动细节的需求。但是，将流行病学曲线与潜在发生率连接起来的总体问题缺乏其他反问题中存在的高效方法，例如超分辨率和从计算机视觉中脱颖而出。在这里，我们开发了一种无监督的物理知识的卷积神经网络方法，以相反，以将死亡记录与发病率联系起来，以识别单日解决方案的政权变化。该方法适用于适当的正规化和模型选择标准的COVID-19数据，可以在一年的时间范围内确定锁定和其他非药物干预措施的实施和去除和其他非药物干预措施。

游戏理论一直是控制疾病传播并提出个人和地区级别最佳政策的有效工具。在此AMS通知文章中，我们关注Covid-19的干预的决策制定，旨在提供数学模型和有效的机器学习方法，以及对过去实施的相关政策的理由，并如何解释当局如何解释当局从游戏理论的角度来看，决策会影响其邻近地区。

Early on during a pandemic, vaccine availability is limited, requiring prioritisation of different population groups. Evaluating vaccine allocation is therefore a crucial element of pandemics response. In the present work, we develop a model to retrospectively evaluate age-dependent counterfactual vaccine allocation strategies against the COVID-19 pandemic. To estimate the effect of allocation on the expected severe-case incidence, we employ a simulation-assisted causal modelling approach which combines a compartmental infection-dynamics simulation, a coarse-grained, data-driven causal model and literature estimates for immunity waning. We compare Israel's implemented vaccine allocation strategy in 2021 to counterfactual strategies such as no prioritisation, prioritisation of younger age groups or a strict risk-ranked approach; we find that Israel's implemented strategy was indeed highly effective. We also study the marginal impact of increasing vaccine uptake for a given age group and find that increasing vaccinations in the elderly is most effective at preventing severe cases, whereas additional vaccinations for middle-aged groups reduce infections most effectively. Due to its modular structure, our model can easily be adapted to study future pandemics. We demonstrate this flexibility by investigating vaccine allocation strategies for a pandemic with characteristics of the Spanish Flu. Our approach thus helps evaluate vaccination strategies under the complex interplay of core epidemic factors, including age-dependent risk profiles, immunity waning, vaccine availability and spreading rates.

解决扩大流行病学推断对复杂和异质模型的挑战，我们引入了泊松近似可能性（PAL）方法。 PAL是从有限人口，随机隔室模型的近似滤波方程中得出的，并且较大的人口限制驱动了最大PAL估计器的一致性。我们的理论结果似乎是基于大量的部分观察到的关于大量人群限制的部分随机隔室模型的第一个基于可能性的参数估计一致性结果。与基于仿真的方法（例如近似贝叶斯计算和顺序蒙特卡洛）相比，PALS易于实现，仅涉及基本算术操作，而无需调整参数。并快速评估，不需要模型的模拟，并且具有与人口规模无关的计算成本。通过示例，我们演示了PAL的如何：嵌入延迟的接受粒子马尔可夫链蒙特卡洛中以促进贝叶斯的推断；用于拟合流感的年龄结构化模型，利用Stan的自动分化；并应用于校准麻疹的空间元群模型。

Covid-19大流行强调了对疫情模型的强大了解的需要。目前的流行模型被归类为机械或非机械方式：机械模型对疾病的动态作出明确的假设，而非机械模型对观察时间序列的形式做出假设。在这里，我们介绍了一种简单的混合模型，该模型桥接两种方法，同时保持两者的益处。该模型表示作为高斯曲线的混合的情况和死亡率的时间序列，提供灵活的函数类，与传统的机制模型相比从数据中学习。虽然该模型是非机械的，但我们表明它是基于网络SIR框架的随机过程的自然结果。这允许学习参数与类似的非机械模型相比，使用更有意义的解释，并且我们使用在Covid-19流行期间收集的辅助移动性数据来验证解释。我们提供了一种简单的学习算法来识别模型参数并建立显示模型可以从数据有效学习模型的理论结果。凭经验，我们发现模型具有低预测误差。该模型可在CovidPredictions中提供.Mit.edu。最终，这使我们能够系统地了解干预措施对Covid-19的影响，这对于开发数据驱动的解决方案来控制流行病的解决方案至关重要。