Speaker
Description
Математические модели распространения эпидемий описываются комбинацией моделей машинного обучения, дифференциальных и агентно-ориентированных моделей в зависимости от полноты используемых эпидемиологических и социально-экономических данных [1]. Помимо комбинации агентной [2] и SIR-моделей [3] для описания динамики COVID-19 в регионах РФ в работе предлагается использование моделей машинного обучения для построения краткосрочных сценариев развития. Так как временные ряды являются основной характеристикой используемых данных, то в качестве базовой модели машинного обучения построения детерминированных краткосрочных прогнозов распространения COVID-19 использовались рекуррентные нейронные сети [3]. Ввиду стохастичности эпидемического процесса в работе будет построена условная генеративно-состязательная нейронная сеть (CGAN), состоящая из двух нейронных сетей: генератора и дискриминатора [4], и рассчитывающая доверительные интервалы сценариев развития эпидемии. В работе будут приведено сравнение сценариев распространения эпидемии COVID-19, полученных на основе построенных моделей.
Работа выполнена в рамках государственного задания ИМ СО РАН, проект FWNF-2024-0002.
Литература
1. Krivorotko O., Kabanikhin S. Artificial intelligence for COVID-19 spread modeling // J. Inverse Ill-Posed Probl. 2024. DOI: 10.1515/jiip-2024-0013
2. Krivorotko O., Sosnovskaia M., Vashchenko I., Kerr C., Lesnic D. Agent-based modeling of COVID-19 outbreaks for New York state and UK: parameter identification algorithm // Infectious Disease Modelling. 2022. V. 7. P. 30-44.
3. Криворотько О.И., Зятьков Н.Ю., Кабанихин С.И. Моделирований эпидемий: нейросеть на основе данных и SIR-модели // Журнал вычислительной математики и математической физики. 2023. Т. 63, № 10. С. 1733-1746.
4. Vuletic M., Prenzel F., Cucuringu M. Fin-GAN: forecasting and classifying financial timeseries via generative adversarial networks // Quantitative Finance. 2024. V. 24(2). P. 175-199.
| Секция конференции | Обратные задачи |
|---|
