基于自增强泊松过程的COVID-19疫情预测

刘元浩，曹婍，沈华伟，黄俊杰，程学旗

（中国科学院计算技术研究所数据智能系统研究中心，北京 100190）

1 引言

自2019年底以来的几个月内，新型冠状病毒肺炎COVID-19 在全世界范围内广泛流行，截至2020 年4月7 日，全球COVID-19 累计确诊人数已达1,279,722例，并仍在持续快速增长。疫情的持续蔓延对人们的生命安全造成巨大威胁，也对国家医疗建设、物资调配、隔离管控等方面带来挑战。在此背景下，采用数学方法对疫情传播进行建模并对确诊病例数的增长进行及时准确地预测对于疫情防控具有重要意义。一方面，对疫情传播进行准确预测，对于医疗卫生资源的分配、防控重点的调整等具有重要的参考价值。另一方面，在防疫工作进行过程中的重要时间节点前后，对确诊病例数增长趋势的变化进行对比，能够有效地对防控措施有效性进行合理评估。

对于疫情传播预测，最常用的研究框架是传染病模型。传统的常微分方程传染病模型假设人群总数恒定且人群均匀混合[1]，通过对人群中处于各个状态的人数及各状态间的相互转换速率进行建模，推算疫情发展走势。常见的传染病模型根据人群划分的不同及人群转换的不同，包括SI[2]、SIS[3]、SIR[4]、SEIR[5]等。传染病模型从传染病传播动力学的角度进行考虑，能对疫情短期内发展趋势进行较好的模拟，但其总人数恒定且人群均匀混合的理想化假设使其应用场景受到局限。

疫情感染人数预测的另一方法是时间序列预测。疫情传播情况会随着时间推移而不断演变，疫情感染人群数可以形式化为一种时间序列，并采用时间序列分析与建模的方式进行预测。……