基于图的模型预测大流行波
![Baseline traffic between areas (bottom row), model-predicted restrictions (middle row), and traffic expected after restrictions are implemented (top row). The left and right columns show the differences in model recommendations when using different metrics. High traffic is represented by wide red lines, lower traffic by thinner blue lines. Credit: Mikhail Krechetov et al., <i>Scientific Reports</i> 基于图的模型预测大流行波](https://scx1.b-cdn.net/csz/news/800a/2022/graph-based-model-pred.jpg)
来自Skoltech,亚利桑那大学和瑞典Linköping大学的研究人员创建了一个图形模型,描述了不同地区之间传播的感染爆发模式。该模型有助于计算被当地爆发击中选定的区域的概率,并绘制一组最低的预防措施。该论文发表在科学报告。
预测COVID-19的传播模式仍然是一个尚未解决的问题。最近的一系列难以预测的Covid-19-19爆发强调了建模和预测的重要性。但是,建模遇到了两个绊脚石:首先,它涉及大量数量的校准参数基于数据,其次,对于预测传播模式并选择预防策略的模型和精心选择的参数是不切实际的。也就是说,为了使建模有效,该模型不应用细节填充,以免使计算复杂化,而应足够详细地预测扩散动态并制定遏制策略。
建模暴发传播的一种方法是概率图形模型,其中每个模型顶点代表一个填充的区域,肋骨显示了节点从相邻节点获得感染的概率。例如,区域之间的人口流量越大,爆发从一个地区转移到另一个地区的机会就越高。
在他们最近的研究中,研究人员首次转向概率的图形模型来解决两级任务并回答两个问题:爆发如何从顶点传播,以及哪些最小步骤会阻止感染散布。整个图表?
“我们的专家团队应用数学这使得较大的多学科小组的一部分已经建模了一年多的大流行。我们使用物理领域的模型来固定系统最可能的后感染状态,并防止进一步扩散。由于任何限制都具有成本的影响,我们希望通过最少的干预措施实现遏制的最大有效性。”
在他们的研究中,研究人员使用了统计物理学的数学设备,即描述材料磁化过程的Ising模型。在团队的模型中,图形节点代表了城市地区和肋骨之间的交通。此外,感染概率计算考虑了预防因素,例如口罩,社会距离,疫苗接种覆盖率等。
为了使该模型尽可能接近现实,该团队使用了来自西雅图(美国华盛顿州)的真实数据,并使用了有关地区之间人口流量的移动跟踪数据。
首先,研究人员检查了哪些节点将是从感染节点中感染感染的下一节点,然后弄清楚需要哪些最少数量的步骤来遏制扩散。他们表明,该模型有助于定义运输限制。爆发在特定区域,并确保其他区域不会被感染。此外,事实证明,图形模型有助于解决任何数量受影响的位置的相同任务。
“我们的模型是普遍的,关于其图形拓扑,即使对于描述具有大量跨区域群体流量的城市的非常密集的图表,该方法也可以很好地奏效。但是,密集图中的传播模式和限制性策略与那些完全不同。在稀疏迁移的稀疏图中。对我们的一个有趣的数学含义是,对于成本估算的功能的选择如何影响解决方案的结构:一种情况需要点重点但更重要的流量调整,而另一个情况则需要较小但分布均匀的变化,”Mikhail添加。
这项研究是亚利桑那大学研究团队进行的大型研究的一部分。展望未来,研究人员计划将基于个体的代理模型和区域级图形模型无缝相结合,以进行更准确的预测。作者认为,经过进一步的完善和校准,他们的方法将提供有关如何调整流量以防止感染无限传播的实用建议。
进一步探索