Стохастичне моделювання та глибоке навчання для прогнозування динаміки епідемій

Abstract

Об'єкт дослідження – процес прогнозування динаміки епідемій за часовими рядами захворюваності. Предмет дослідження – гібридна стохастично-нейромережева модель Neural-SEIR на основі універсального диференціального рівняння та методи оцінювання невизначеності прогнозу. Мета роботи – розроблення, програмна реалізація та всебічна верифікація гібридної моделі Neural-SEIR для прогнозування динаміки епідемій і її об'єктивне порівняння з набором еталонних (бенчмарк) моделей. Методи дослідження – компартментне та стохастичне моделювання; глибоке навчання з ансамблями глибоких мереж; універсальні диференціальні рівняння; валідація з наростаючим ковзним початком без витоку інформації з майбутнього; імовірнісні метрики оцінювання. У роботі розглянуто актуальну проблему прогнозування динаміки епідемій за коротких, зашумлених і нерегулярно зведених рядів захворюваності. Запропоновано концепцію гібридної моделі Neural-SEIR, що поєднує епідеміологічну інтерпретовність SEIR з адаптивністю глибокого навчання та доповнюється стохастичним оцінюванням невизначеності прогнозу. Модель розроблено, програмно реалізовано й перевірено на даних щодо COVID-19 та сезонного грипу.