Социальное поведение людей, отраженное в данных об их мобильности, дает ученым возможность прогнозировать распространение COVID-19 по всей стране на уровне округов. Исследователи из Колледжа инженерии и информатики Атлантического университета Флориды и их сотрудники разработали первую модель глубокого обучения на основе данных, которая может прогнозировать вспышку COVID-19 за две недели. Результаты этого исследования имеют важное значение для управления текущей пандемией, а также будущими пандемиями.
В исследовании, опубликованном в Journal of Big Data , исследователи объединили данные о мобильности за рулем, собранные приложением Apple Maps, статистику COVID-19 и демографические данные на уровне округов из 531 округа США. Они обучили свою модель глубокого обучения долговременной краткосрочной памяти (LSTM), чтобы улавливать влияние реакции правительства на случаи COVID-19, а также влияние возраста на распространение COVID-19.
«Модели, основанные на данных, могут извлекать уроки из истории болезни. Например, они могут использовать данные о мобильности, такие как транспорт и ходьба, которые обеспечивают изменение моделей движения почти в реальном времени, чтобы изучить влияние социального поведения на скорость воспроизводства ", - сказал Бехназ Гораани, доктор философии, старший автор, доцент кафедры электротехники и компьютерных наук; и научный сотрудник Института инженерии датчиков и встроенных сетевых систем FAU (I-SENSE). «Повышение мобильности свидетельствует об увеличении взаимодействия между людьми, особенно в районах с высокой плотностью населения.. Следовательно, передача данных о мобильности в модели эпидемиологического прогнозирования помогает оценить рост COVID-19, а также оценить влияние государственной политики, такой как введение обязательных масок, на распространение COVID-19 ».
Для исследования исследователи изучили три возрастных демографии: молодые люди , взрослые и пенсионеры. Для каждой возрастной группы населения они определили округа с населением выше определенного процента. Например, для каждой возрастной группы населения они определили округа, в которых 10 процентов их населения составляют молодые люди, и подсчитали средние ежедневные случаи заболевания. Они увеличили порог на 10 процентов до 70 процентов и повторили анализ.
Результаты показали, что среднесуточные случаи заболевания уменьшались с увеличением доли пенсионеров и увеличивались с увеличением доли молодого населения. Среднесуточные случаи заболевания удвоились, когда численность молодого населения увеличилась с 10 до 20 процентов, и утроилась, когда увеличилась до 30 процентов. Обратная картина произошла с увеличением доли пенсионеров.
Исследователи провели подробный анализ, чтобы подтвердить, что прогнозы их модели отражают те же закономерности в реальных случаях в отношении изменений в правительственных правилах пандемии и возрастной демографии округов.
«Изменения в политике изоляции, требованиях к маскам и других ответных мерах правительства напрямую влияют на ежедневные случаи COVID-19. Следовательно, модельные прогнозы двухнедельных ежедневных случаев должны отражать это влияние, как показано на фактических накопленных двухнедельных случаях», сказал Борко Фурт, доктор философии, соавтор, профессор кафедры компьютерной и электротехнической инженерии и компьютерных наук, и директор Национального научного фонда (NSF) Промышленность / Центр совместных исследований университетов по расширению возможностей знаний (CAKE). «Прогнозирование распространения на уровне округа учитывает влияние местной политики на низком уровне и поможет обеспечить лучшее прогнозирование для поддержки национальных и государственных прогнозов. Например, краткосрочные прогнозы накопленных случаев можно использовать для планирования и принятия решения о том, следует ли или не нужна изоляция ".
Исследователи получили динамические данные с 15 февраля 2020 года по 22 января и отфильтровали округа с плотностью населения менее 150 человек на квадратную милю. Они обучили модель LSTM, чтобы узнать, как прошлое и текущее количество дел и мобильность людей влияют на будущие дела. Они использовали данные 424 округов за 168 дней для обучения и 107 округов за 168 дней для проверки. Модель привела к значительной корреляции при тестировании на интервале с 1 августа 2020 г. по 22 января. Она смогла спрогнозировать увеличение, а также уменьшение общего числа случаев.
«Модель глубокого обучения, разработанная нашими исследователями, особенно актуальна сейчас, когда случаи Delta-варианта обостряются во Флориде и по всей стране», - сказала Стелла Баталама, доктор философии, декан Колледжа инженерии и компьютерных наук. «Многие инфицированные группы населения остаются бессимптомными при распространении вируса, что затрудняет использование традиционных механистических моделей для точного прогнозирования предстоящей вспышки. Работа профессоров Гораани и Фурта и наших сотрудников из Lexis-Nexis Risk Solutions имеет важные приложения для эффективного управления пандемией. и будущие вспышки, которые могут спасти жизни и поддержать процветание нашей экономики ".
