Аннотация. 

Работа посвящена применению метода рандомизированного машинного обучения для прогнозирования развития эпидемии COVID-19, основанной на эпидемиологической модели SIR. Предлагается два варианта моделирования, первый основан на использовании модели SIR с оценкой параметров по реальным оперативным данным о случаях заболевания, второй основан на идее моделирования индикатора распространения инфекции и его прогнозирования. Cравнительное исследование предлагаемых методов и подходов базируется на сравнении со стандартным подходом, основанным на методе наименьших квадратов и проводится на наборе данных нескольких стран Европейского союза. Показана работоспособность предлагаемого подхода и его эффективность и адекватность в условиях малого количества данных с высоким уровнем неопределенности.

Ключевые слова: 

моделирование эпидемий; SARS-CoV-2; COVID-19; SIR; рандомизированное машинное обучение; энтропия; энтропийное оценивание; прогнозирование; рандомизированное прогнозирование.

Стр. 67-78.

DOI 10.14357/20718632220307

 

 

Литература

1. van den Driessche P. Mathematical Epidemiology / ed. by Brauer Fred, van den Driessche Pauline, and Wu Jianhong. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. — Vol. 1945 of Lecture Notes in Mathematics. — P. 147–157. — Access mode:

https://doi.org/10.1007/978-3-540-78911-6.

2. Khan Irtesam Mahmud, Haque Ubydul, Kaisar Samiha, Rahman Mohammad Sohel. A Computational Modeling Study of COVID-19 in Bangladesh // The American Journal of Tropical Medicine and Hygiene. — 2021. — jan. — Vol. 104, no. 1. — P. 66–74.

3. Lavielle Marc, Faron Matthieu, Lefevre J´er´emie H., and Zeitoun Jean-David. Predicting the propagation of COVID-19 at an international scale: extension of an SIR model // BMJ Open. — 2021. — may. —Vol. 11, no. 5. — P. e041472.

4. Lawson Andrew B., Kim Joanne. Space-time covid-19 Bayesian SIR modeling in South Carolina // PLOS ONE. — 2021. — mar. — Vol. 16, no. 3. — P. e0242777.

5. Purkayastha Soumik, Bhattacharyya Rupam, Bhaduri Ritwik, Kundu Ritoban, Gu Xuelin, Salvatore Maxwell, Ray Debashree, Mishra Swapnil, Mukherjee Bhramar. A comparison of five epidemiological models for transmission of SARS-CoV-2 in India // BMC Infectious Diseases. — 2021. — jun. — Vol. 21, no. 1.

6. de Andres P. L., de Andres-Bragado L., and Hoessly L. Monitoring and Forecasting COVID-19: Heuristic Regression, Susceptible-Infected-Removed Model and, Spatial Stochastic // Frontiers in Applied Mathematics and Statistics. — 2021. — may. — Vol. 7.

7. Deo Vishal and Grover Vishal. A new extension of statespace SIR model to account for Underreporting – An application to the COVID-19 transmission in California and Florida // Results in Physics. — 2021. —may. — Vol. 24. — P. 104182.

8. Попков Ю. С., Попков А. Ю. и Дубнов Ю. А. Рандомизированное машинное обучение при ограниченных наборах данных: от эмпирической вероятности к энтропийной рандомизации. — Москва: ЛЕНАНД, 2019. — ISBN: 978-5-9710-5908-0.

9. Больцман Л. О связи между вторым началом механической теории теплоты и теорией вероятностей в теоремах о тепловом равновесии // Больцман Л.Э. Избранные труды. / под ред. Шлак Л. С. —М. : Наука, 1984. — Классики науки.

10. Jaynes Edwin T. Information theory and statistical mechanics // Physical review. — 1957. — Vol. 106, no. 4. — P. 620–630.

11. Jaynes Edwin T. Probability theory: the logic of science. — Cambridge university press, 2003.

12. Shannon Claude E. Communication theory of secrecy systems // Bell Labs Technical Journal. — 1949. — Vol. 28, no. 4. — P. 656–715.

13. Guidotti Emanuele and Ardia David. COVID-19 Data Hub // Journal of Open Source Software. — 2020. — Vol. 5, no. 51. — P. 2376. — Access mode:

https://doi.org/10.21105/joss.02376.

14. COVID-19 Data Hub. — https://www.covid19datahub.io. — 2021. — Accessed: 2021-12-20.