Моделирование эпидемий: нейросеть на основе данных и SIR-модели Full article
| Journal |
Журнал вычислительной математики и математической физики
ISSN: 0044-4669 |
||
|---|---|---|---|
| Output data | Year: 2023, Volume: 63, Number: 10, Pages: 1733-1746 Pages count : 14 DOI: 10.31857/S0044466923100095 | ||
| Tags | эпидемиология, временные ряды, машинное обучение, глубокое обучение, обработка данных, рекуррентные нейронные сети, полносвязные нейронные сети, COVID-19, прогнозирование | ||
| Authors |
|
||
| Affiliations |
|
Funding (1)
| 1 |
Министерство науки и высшего образования РФ Mathematical Center in Akademgorodok |
075-15-2019-1613, 075-15-2022-281 |
Abstract:
Ранее был предложен метод построения начального приближения для решения обратной задачи акустики градиентным методом на основе сверточной нейронной сети, обученной предсказывать распределение скоростей в среде по волновому отклику (И.Б. Петров, А.С. Станкевич, А.В. Васюков, Докл. РАН, 2023). Показано, что нейронная сеть, обученная на откликах от простых слоистых структур, может быть успешно использована при решении обратной задачи для существенно более сложной модели. В настоящей статье мы изложим алгоритмы обработки данных об эпидемиях и пример применения нейронных сетей для моделирования распространения COVID-19 в Новосибирской области, основанный только на данных. Построена нейросеть NN-COVID-19, которая использует данные об эпидемии. Показано, что нейронная сеть на порядок лучше, чем SEIR-HCD, предсказывает распространение COVID-19 на 5 дней. При появлении нового штамма (Омикрон) после переобучения нейросеть способна предсказать распространение эпидемии более точно. Отметим, что нейросеть использует не только эпидемиологические данные, но и социальные (праздники, введение и соблюдение ограничительных мер и т.п.). Предложенный подход позволяет уточнять математические модели. Сравнение кривых, построенных по SEIR-HCD модели и нейронной сетью, показывает, что графики решения прямой задачи практически совпадают с графиками, построенными нейросетью. Это позволяет уточнить коэффициенты дифференциальной модели.
Cite:
Криворотько О.И.
, Зятьков Н.Ю.
, Кабанихин С.И.
Моделирование эпидемий: нейросеть на основе данных и SIR-модели
Журнал вычислительной математики и математической физики. 2023. Т.63. №10. С.1733-1746. DOI: 10.31857/S0044466923100095 РИНЦ OpenAlex
Моделирование эпидемий: нейросеть на основе данных и SIR-модели
Журнал вычислительной математики и математической физики. 2023. Т.63. №10. С.1733-1746. DOI: 10.31857/S0044466923100095 РИНЦ OpenAlex
Translated:
Krivorotko O.I.
, Zyatkov N.Y.
, Kabanikhin S.I.
Modeling Epidemics: Neural Network Based on Data and SIR-Model
Computational Mathematics and Mathematical Physics. 2023. V.63. N10. P.1929-1941. DOI: 10.1134/s096554252310007x WOS Scopus РИНЦ OpenAlex
Modeling Epidemics: Neural Network Based on Data and SIR-Model
Computational Mathematics and Mathematical Physics. 2023. V.63. N10. P.1929-1941. DOI: 10.1134/s096554252310007x WOS Scopus РИНЦ OpenAlex
Dates:
| Submitted: | May 22, 2023 |
| Accepted: | Jun 26, 2023 |
| Published print: | Sep 29, 2023 |
| Published online: | Sep 29, 2023 |
Identifiers:
| Elibrary: | 54648813 |
| OpenAlex: | W4394830151 |
Citing:
| DB | Citing |
|---|---|
| Elibrary | 1 |