来源：新智元

本文约 2564字 ，建议阅读 6分钟 。

本文 介绍 MIT的DL模型预测美国疫情在4月15日-20日进入停滞期，并 证实 居家隔离能有效将新冠病毒由指数传播降低到线性传播。另一个团队用深度学习算法分析了超18亿数据，直观展示了社交隔离对人和车的实时影响。

社交隔离可能要到2022年，我们或需适应时松时紧的防疫新常态

据JHU的实时统计数据显示，截至本文停笔的北京时间4月17日12时， 全球新冠累计确诊已达 215万 ，即 2158250 例；累计 死亡病例达到14.4万 。

近期，《科学》杂志上的一项研究提出，在没有特效药和疫苗的情况下，为了避免新冠肺炎挤兑重症监护能力， 长期或间隔性的社交隔离可能需要持续到2022年 ，并且认为 2024年有可能迎来新一轮复发 。

哈佛大学团队研究认为，新冠肺炎将成为季节性流行病， 今后我们可能会需要适应隔离措施几个月松、几个月紧的新常态 ，即之前文章介绍过的“ 照明开关法 ”。

“Lightswitch":通过一松一紧的反复震荡，让新冠疫情“软着陆”。

在目前阶段，美国明显是重灾区。截止到今天上午11点， 美国累计确诊 66万 ，累计死亡2.8万 。

其中， 纽约州 一个州的确诊就达到 21万 ，已经接近中国总病例数的3倍。

从图上看，全美确诊人数增速仍然迅猛，现有确诊人数增速开始下降，因为治愈人数开始上升。

随着医疗人员和物资的不断增强，治愈人数不断上升，同时死亡人数也在增加，应该是由于总病例数太高。

在这个疫情蔓延的档口，全美的科技人才也纷纷为疫情尽力，提出各种疫情预测模型。

MIT开发出首个结合DL神经网络的疫情模型

已有的许多模型都是使用有关SARS或MERS之前暴发的研究数据建立的。

昨天， MIT团队开发出第一个使用新冠疫情本身数据，并 加入机器学习神经网络 的疫情研究模型 ，以确定隔离措施的有效性，并更好地预测病毒的传播。

目前大多数预测疾病蔓延的模型都采用“SEIR”模型 ，将人们分为“易感”、“暴露”、“感染”和“恢复”四个阶段。

然而，本次抗疫的实际情况是， 各国都建立了对感染者进行隔离、以防止其继续传播病毒的机制 。

因此，研究团队通过 训练神经网络来捕捉受感染被隔离、从而不再传播给他人的个体的数量 ，从而 改善了SEIR模型 。

（a）使用的神经网络架构：2层，隐藏层中有10个单元。（b）对于所有考虑的区域，根据（4.16）的训练损失L（W，β，γ）。

更刺激的是 ，做出这个项目的只有研究土木和环境工程的博士生Dandekar和机械工程教授Barbastathis两个人， 这个模型只是这个学生的一门课程的结课作业。

课程作业是如何变成第一个DL模型的

Barbastathis对他指导的MIT 2.168班要求， 在每个学期末，班上的学生都有责任为现实世界中的问题开发物理模型，并开发一种机器学习算法来解决它 。

2月初，随着疫情蔓延的令人担忧的新闻开始占据头条，他提议期末项目研究新冠病毒的传播情况。

“有学生抓住了研究新冠病毒的机会，立即想 以MIT的典型方式来解决这个具体问题 ，” Barbastathis补充说。

这个学生指的就是Dandekar。他说：“这个项目使我非常感兴趣，它让我将新科学——机器学习应用于一个非常紧迫的现实问题中。”

提出模型

首先，他们提出了一个概念 “有效繁殖 数量”（Rt） ，这个值 对应于使曲线斜率变小、并开始减少感染的点 。

当它大于1时，病毒会继续传播，小于1时，病毒传播会减慢。

其次，他们提出 “隔离强度函数”Q（t） ，神经网络对这个概念正在飞速学习。

随着新冠病毒开始遍布全球，该项目的范围也在扩大。最初是从着眼于中国 武汉 市的传播。

对武汉假设没有进行隔离的病例数的预测，左边是MIT预测模型，右边是中国卫健委给出的模型。相似度非常高。

武汉神经网络模型，day0=1月24日。（a）与数据相比，估计感染和恢复病例数。（b）由神经网络学习的隔离强度函数Q（t）。（c）有效复制数Rt。

武汉市的预测：（a）隔离强度Q（t）和（b）基于神经网络增强SIR模型的有效繁殖数Rt。

后来发展到包括 意大利 的传播。

意大利神经网络模型，第0天= 2020年2月27日：（a）与数据相比，估计感染和康复病例数。（b）由神经网络学习的隔离强度函数Q（t）。（c）有效复制数Rt。

意大利的预测：（a）隔离强度Q和（b）有效繁殖数Rt在意大利基于神经网络增强的SIR模型。

还有 韩国 。

韩国神经网络模型，第0天= 2020年2月22日：（a）与2020年2月22日韩国的数据相比，估计感染和恢复的病例数。（b）由神经网络学习的隔离强度函数Q（t）。（c）有效复制数Rt。

在记录到第500个病例之后，二人组开始对病毒在这四个区域中每个区域的传播进行建模。这意味着他们开始 清楚地描述不同政府如何执行隔离令 。

借助来自这些国家/地区的精确数据，研究团队采用了标准的SEIR模型，并通过神经网络对其进行了扩充，该网络可了解隔离区中的感染者如何影响感染率。 他们通过500次迭代训练了神经网络，因此它可以教自己如何预测感染传播的模式。

模型证明了病毒传播和隔离强度的直接关联

研究团队能够得出 隔离措施与病毒有效繁殖数量减少之间存在直接关联 。

他们的模型显示，隔离限制成功地使有效繁殖数量从大于1减少到小于1。

该模型发现，在韩国等政府立即采取干预措施实施强有力的检疫措施的地区，该病毒的传播速度更快达到了稳定状态。（原文此处没有提中国。）

自3月中旬以来，由于美国的隔离措施推行缓慢，阻止病毒在美国的传播变得越来越困难。

目前， 在意大利和美国等执行政府干预措施较慢的地方，新冠病毒的“有效繁殖数量”仍然大于1，这意味着该病毒继续呈指数级传播 。

美国神经网络模型，第0天= 2020年3月8日：（a）与美国2020年3月8日之后的数据相比，估计感染和恢复的病例数。（b）由神经网络学习的隔离强度函数Q（t）。（c）有效复制数Rt。

美国的预测：（a）隔离强度Q和（b）有效繁殖数Rt，基于神经网络增强的SIR模型在美国。

预测美国病例数将在4月15-20日之间停滞

模型预测，随着当前隔离措施的到位， 意大利和美国的稳定期将在4月15日至20日之间到来 。这与其他机构的预测类似。

随着特定国家/地区病例数的减少，模型将从指数形式转变为线性形式。意大利从4月初开始进入线性状态。

预测 美国将在4月的第一周开始从指数模式转变为线性模式，感染病例数可能会在4月15日至4月20日之间停滞 。

美国混合模型预测，第0天= 2020年3月8日：（a）根据美国训练有素的模型，比较3月31日之后美国的预测感染病例数，或逐步调整其中一个的隔离控制功能Q（t） 根据（4.17），在武汉，意大利或韩国。（b）根据（4.17）调整的美国隔离强度功能。

模型也表明在感染率开始停滞之前，美国的感染人数将达到60万（腺癌已经突破了）。

“这是一个非常关键的时刻。 如果我们过早放松检疫措施，可能会导致灾难。 ” Barbastathis说。

据Barbastathis所说，对于过快放宽检疫措施可能带来的危险，只需要去新加坡看看。新加坡目前正在经历的第二次感染浪潮。

深度学习算法分析超18亿数据，仪表盘展示社会距离对人和车的实时影响

许多国家采取了社会距离措施，以减缓COVID-19大流行的蔓延。要了解这些建议是否有效，我们需要评估它们遵循的程度。

为此，urban observatory的团队开发了一个 城市数据仪表盘 ，以帮助实时了解社会距离措施对城市中人和车辆运动的实时影响。

仪表盘地址：

https://covid.view.urbanobservatory.ac.uk/#traffic-national

纽卡斯尔大学城市观测站的建立是为了更好地了解城市运动的动态。它利用成千上万个传感器和数据共享协议来监视整个城市的活动，从交通和人流量到交通拥堵，从停车场占用率到公交车GPS追踪器。它还监视能源消耗、空气质量、气候和许多其他变量。

改变运动

通过深度学习算法，该团队已经 分析了超过18亿个单独的观测数据，以及其他数据源 。这些数据可实时通知和更新仪表盘。

行人运动监测仪表盘

在上图中， 来自行人传感器的实时数据显示为实线。阴影区域是“正常”的封锁前行人流量 。传感器通常每小时监测两个方向的行人流量，然后将其与上一年的同一天进行比较。图中的峰值表示高峰时段人流量的增加。然而，自封锁以来，总体上只观察到非常小的峰值。

研究发现，与年平均水平相比， 行人流量减少了95％ 。这表明人们一直在严格遵守政府的指导方针。但是，在3月23日晚些时候出台了严格的规定之后，人流量才出现了最大幅度的下降，这表明更强有力的信息达到了预期效果。

行人流量

就车辆流动而言，在封锁的第一周早期，交通流量减少的速度要慢得多，只有年平均水平的50% 左右。这可能是因为人们转向使用汽车而不是公共交通。研究人员估计，自3月1日以来，泰恩威尔郡（Tyne and Wear）人们乘坐公交的次数减少了612,000次。

交通流量

英格兰公共卫生部门还建议人们外出时保持至少两米的距离。这个建议已经被广泛宣传，但是很难评估它是否被遵循。 通过使用计算机视觉和图像处理，该团队开发了可自动测量公共区域中社会距离的算法。

研究人员制作了可以测量公共场所行人之间距离的模型。通过使用交通信号灯指示器系统， 该算法能够匿名识别并标记那些保持安全距离的人，同时将违反社会距离的某些情况标记为红色 。

利用这些信息，我们可以找出社会距离无法维持的瓶颈，以及在施加或解除限制时民众如何适应。

这类数据不仅可以实时显示物理距离是如何变化的，而且可以提供长期行为变化的详细信息。

一位世界卫生组织的专家曾表示， 英国在实施严格的社会距离措施方面晚了十天 。这可能是由于缺乏对广泛的公众行为的深入了解。而像这样的观测技术可能是未来危机管理应对措施的核心。

参考链接：

MIT模型预印本参阅：

https://www.medrxiv.org/content/10.1101/2020.04.03.20052084v1.full.pdf

模型量化了隔离措施对Covid-19传播的影响

http://news.mit.edu/2020/new-model-quantifies-impact-quarantine-measures-covid-19-spread-0416

深度学习算法如何用于衡量社会距离

https://thenextweb.com/syndication/2020/04/16/how-deep-learning-algorithms-can-be-used-to-measure-social-distancing/

—— END ——