Brièvement …

Depuis l’épidémie de SRAS en 2003, de nombreux modèles épidémiologiques prédictifs ont été proposé. À la fin de 2019, un nouveau coronavirus, appelé 2019-nCoV, a éclaté est propage en Chine et dans le monde. Nous proposons ici un différentiel ordinaire multi-modèle réseau neuronal à jeu d’équations (MMODEs-NN) et méthodes sans modèle pour prédire transmissions interprovinciales en Chine continentale, en particulier celles de la province du Hubei.

Par rapport aux modèles épidémiologiques précédemment proposés, le réseau proposé peut simuler les transports avec la méthode d’activation des ODE, tandis que les méthodes sans modèle basé sur la fonction sigmoïde, la fonction gaussienne et la distribution de Poisson sont linéaires et rapides pour générer des prévisions raisonnables. Selon les expériences numériques et les réalités, les politiques spéciales de lutte contre la maladie réussissent dans certaines provinces et la transmission de l’épidémie, dont la flambée est proche du début du printemps chinois.

La ruée vers les voyages du festival est plus susceptible de ralentir avant le 18 février et de se terminer avant avril 2020. Les méthodes d’intelligence mathématique et artificielle proposées peuvent donner des prévisions raisonnables de la fin 2019-nCoV. Nous prévoyons que notre travail sera un point de départ pour des recherches de prévision complètes du 2019-nCoV

Le coronavirus, une sorte de virus aviaire des mammifères, a causé des milliers de cas infectés. Deux des événements de santé publique les plus connus du coronavirus sont le syndrome respiratoire aigu sévère(SRAS) et le syndrome respiratoire du Moyen-Orient (MERS), qui ont éclaté en 2003 et 2015, respectivement.

Fin 2019, un autre coronavirus , appelé 2019-nCoV, a été découverte a commencé la transmission dans la ville de Wuhan, province du Hubei, Chine. Parce que la position de la flambées l’un des pôles de transport les plus importants  et la date est proche du printemps annuel Festival travail rush (SFTR), la vitesse de transmission du virus est plus rapide que celle du SRAS en 2003. En outre, en raison du développement rapide des installations de transport chinoises construction, la maladie peut se propager au niveau interprovincial ou même international, ce qui personnes et gouvernements concernés.

En raison de sa forte contagion le virus se propage toujours rapidement et le nombre de patients est toujours en augmentation. Ainsi, la population et les gouvernements doivent prévoir la tendance de l’épidémie et prendre de meilleures décisions pour contrôler la transmission. Dans des travaux de recherche antérieurs, plusieurs des modèles mathématiques  sont proposés, et le jeu d’équations différentielles ordinaires (ODE) conduit les modèles ont la meilleure interprétabilité et partagent le ratio le plus élevé.

En 1927, Kermack et McKendrick a proposé le modèle 6 de récupération sensible (SR), qui peut donner les dynamiques résultats de la transmission selon les informations médicales. Plus tard, les modèles étendus, tels que le modèle 7 sensible-exposé-infectieux-récupéré (SEIR), sont proposés. Cependant, ces modèles peuvent donner des prédictions incohérentes en raison des hypothèses et de la diversité des réalités. Avec les réseaux de neurones, les chercheurs peuvent générer des prédictions avec les données d’entraînement 9 et la méthodologie de l’intelligence artificielle (IA) a profondément changé les méthodes de modélisation, mais éviter les problèmes de sur ajustement est un autre sujet important.

Nous présentons trois méthodes prédictives sans modèle et proposons une ODE combinée réseau neuronal prédictif, réseau neuronal ODE multimodèle (MMODEs-NN), pour prédire la fin de la transmission. Pour jeter les bases d’une discussion plus approfondie, nous obtenons d’abord le 2019-nCoVdonnées de transmission quotidienne du Centre chinois de contrôle et de prévention des maladies (CDC) et les CDC de chaque province de Chine continentale du 10 janvier au 5 février 2020. Les données contiennent le montant infecté confirmé, le montant récupéré et le montant du décès. Ensuite nous collectons également les données sur la population, la densité et les transports de chaque province pendant la SFTR.

Les trois méthodes sans modèle, basées sur la fonction sigmoïde, gaussienne, et la distribution de Poisson, respectivement, ne nécessitent que les données quotidiennes. Le sigmoïde. La méthode fonctionnelle nécessite la quantité totale de patients infectés, tandis que les deux autres Les méthodes nécessitent les nouvelles données quotidiennes confirmées. Le MMODEs-NN est un neurone à action directe réseau, qui prend toutes les données recueillies comme facteurs et utilise les données des 4 derniers jours comme ensemble d’essai.

Les neurones de ce réseau de neurones sont activés par leODE infectées, récupérées, susceptibles de mourir (SEIRSD), et chacune d’entre elles stocke la variable. États Semblable aux réseaux de neurones récurrents, le réseau peut calculer les états pour chaque pas de temps de façon récurrente, et les liaisons neuronales peuvent simuler la transmission de la maladie interprovinciale dans la propagation à l’échelle des neurones et le changement de population selon les données de transport. Ave certaines méthodes d’évaluation et d’optimisation des erreurs, les paramètres du modèle, tels que les paramètres de propagation de la maladie peuvent être appris. Pour plus de détails sur les méthodes et les données, veuillez-vous reporter aux sections Méthode et Informations supplémentaires.

Nous présentons ici les résultats de prédiction de la transmission 2019-nCoV. Notons janvier, 2020, comme le 1er jour des intervalles d’entraînement et de prédiction. Lors de l’utilisation sans modèle méthodes, les résultats dépendent des données d’origine. D’après ces résultats, on peut voir que la fin la plus précoce serait fin février. Pour les MMODEs-NN, les résultats dépendent moins des données, donc nous pouvons nous entraîner sous des hypothèses pour éviter le sur-ajustement et les problèmes de données.

En général, on savait que le gouvernement central de Chine avait adopté des politiques plus strictes que celles de 2003, et nous supposons que les CDC en Chine peuvent compter les patients confirmés sans délai. Avec l’aide de la méthode du gradient conjugué pour optimiser les paramètres de la maladie et transports, la simulation montre que les rapports entre la population de contact et la population la densité de la population dans les autres provinces est de 8 × 10, tandis que le ratio dans la province du Hubei est de0, 086 (108x). Dans cette situation, le nombre total confirmé dans tout le pays serait d’environ 40000. Cependant, chaque maladie a un certain temps pour les chercheurs d’identifier.

D’après les dernières données, on peut voir que les données du Hubei Le montant total confirmé de la province connaissent un boom depuis le 28 janvier, ce qui signifie existence de ce retard. Le ratio dans la province du Hubei serait de 0,103 (129x), et le nombre confirmé à l’échelle nationale serait à l’échelle de 46000si le retard statistique est de 1 jour, alors que le ratio de la province du Hubei serait de 0,135 (169x) et le dénombrement confirmé à l’échelle nationale serait de l’ordre de 58 000 en cas de retard de 2 jours.

Dans ces situations, les surestimations sont acceptables et commun au début, et la date de décélération de la transmission serait d’environ10 février et la fin se produirait en mars. Il convient de noter que le gouvernement de la ville de Wuhan a déclaré des politiques de fermeture des sorties de transport de la ville 19 le 23 janvier, et plus tard, certaines autres villes en Chine ont également annoncé des déclarations similaires pour ralentir la vitesse de transmission.

Le gouvernement central la Chine a également déclaré d’autres politiques pour aider les gens et trouver des patients potentiels sous les difficultés, telles que la prolongation des vacances de la Fête du Printemps et la conduite stricte du corps mesures de température en blocs . Nous considérons ces politiques et les codons avec le réseau proposé. Selon les données de transport dans les informations supplémentaires, le trafic pendant la Fête du Printemps 2020 en Chine diminue de 90% par rapport à celui de 2019.

Ces politiques aident à contrôler la maladie et à réduire les quantités totales confirmées dans chaque Province. Nous effectuons également une autre simulation sans ces politiques, et les résultats. Le montre que le montant final du patient infecté atteindrait 450000. Dans cette situation, la date de décélération la plus optimiste est le 26 février, et la fin serait vers le 28 avril. Ainsi, ces politiques fonctionnent et leurs effets sont sans aucun doute évidents. En résumé, les résultats de prédiction numérique ci-dessus donnent les attentes sur la fin de la transmission.

D’après les expériences, on peut voir que les méthodes sans modèle et les méthodes proposées MMODEs-NN peut fournir des prévisions cohérentes et confiantes sur la maladie et la transmission du coronavirus serait bientôt sous contrôle. Cependant, chaque prédictif. La méthode a ses avantages et ses inconvénients. Les méthodes sans modèle montrent prédictions statistiques en apprenant la forme générale des données en développement, tandis que les MMODEs-NN génèrent des prédictions à partir de la simulation en synthétisant les données l’indépendance du système dynamique des ODE et la puissance d’adaptation des réseaux de neurones.

Pour méthodes sans modèle, en raison de la dépendance des données, elles sont rapides à apprendre le modèle de données mais serait plus susceptible de faire des erreurs si les données en temps réel sont incorrectes ou présentent des latences ; pour le modèle combiné ODEs-NN, il faut plus de temps pour s’entraîner et générer un sur-ajustement problèmes, mais il peut trouver les erreurs de type humain dans les données de formation et fournir plus prédictions indépendantes. Les deux ont des forces, et les prédictions seraient plus robustes et plus possible de se produire si leurs résultats sont cohérents.

De plus, une variété des événements aléatoires incertains se produisent dans la vie réelle. Par exemple, le boom du Zhejiang est lié à regroupement et faible liés aux facteurs concernés dans les simulations de MMODEs-NN. Cependant, pour le montant total confirmé, nos modèles sont relativement précis, même si le CDC a abaissé le niveau de jugement des patients confirmés depuis le 9 février. Ainsi, nous estimons prudemment que la transmission du nCoV 2019 ralentirait avant le 18 février et la transmission de cette année seraient arrivé enfin à la fin avant avril.

Pour des données plus détaillées, veuillez-vous référer au Information supplémentaire. En conclusion, cette étude a présenté des prévisions complètes pour le 2019-nCoVfin de la transmission, fournissant une ligne directrice pour l’élaboration des politiques et une vue panoramique développement futur de la maladie. Outre la fin, le long cycle de traitement. Sur la base de ces travaux, nous prévoyons de faire des recherches prédictives plus approfondies sur les problèmes de propagation géographique ave méthodes libres et les MMODs-NN SEIRSD proposés. Car c’est la première fois que méthodes complètes pour prédire la procédure de transmission 2019-nCoV, nous prévoyons travail pour être un point de départ pour les recherches de prévision du 2019-nCoV.