RUS  ENG
Полная версия
ЖУРНАЛЫ // Журнал вычислительной математики и математической физики // Архив

Ж. вычисл. матем. и матем. физ., 2023, том 63, номер 10, страницы 1733–1746 (Mi zvmmf11639)

Эта публикация цитируется в 4 статьях

Информатика

Моделирование эпидемий: нейросеть на основе данных и SIR-модели

О. И. Криворотько, Н. Ю. Зятьков, С. И. Кабанихин

Институт математики им. С.Л. Соболева СО РАН, 630090 Новосибирск, пр-т Акад. Коптюга, 4, Россия

Аннотация: 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.
Библ. 19. Фиг. 12. Табл. 2.

Ключевые слова: эпидемиология, временные ряды, машинное обучение, глубокое обучение, обработка данных, рекуррентные нейронные сети, полносвязные нейронные сети, COVID-19, прогнозирование.

УДК: 519.673

Поступила в редакцию: 22.05.2023
Исправленный вариант: 22.05.2023
Принята в печать: 26.06.2023

DOI: 10.31857/S0044466923100095


 Англоязычная версия: Computational Mathematics and Mathematical Physics, 2023, 63:10, 1929–1941

Реферативные базы данных:


© МИАН, 2024