基于网络熵探测新冠爆发临界信号

2019年冠状病毒疾病(COVID-19)的迅速传播对世界各地的人们构成了巨大威胁,必须制定有效的策略来检测COVID-19爆发的预警信号以便及时采取适当的控制措施。与时间序列预测不同,疫情爆发通常是非线性的事件,其特征是从缓慢变化到急剧转变,因此难以预测。通过大量采集地理区域网络及其日增确诊病例的实时数据的动态信息,本文采用了一种非线性的无模型方法,即网络熵(LNE)方法,以识别检测出新冠疫情进行灾难性转变之前的前爆发阶段。在对包括中国湖北省、日本关东地区以及巴西部分地区在内的多个地区的新冠疫情爆发临界点的预测上,网络熵方法都取得了非常理想的预测效果。

Predicting local COVID-19 outbreaks and infectious disease epidemics based on landscape network entropy

新型冠状病毒肺炎(COVID-19)的迅速传播对全人类构成了巨大的威胁.为了及时采取相应的控制措施,制定有效的策略来检测COVID-19疫情的预警信号是非常必要的.然而,与时间序列预测不同,流行病的暴发事件通常是高度非线性的,具有从缓慢变化到剧烈转变的动力学特征,因此很难预测.通过综合利用地理区域网络的高维动态信息和每日新增病例的实时数据,本研究开发了一种非线性、无模型的计算方法,即景观网络熵(LNE)方法,来探测COVID-19暴发前的预警信号及预测流感暴发. LNE方法成功应用于中国湖北省、西欧、日本关东地区、韩国、美国17个州和意大利的新冠疫情,以及日本东京流感疫情,探测到了传染病暴发前的预警信号.此外,本研究还基于LNE方法开发了一个在线分析平台,用于实时预警疫情暴发.