- 校正社会人口统计学选择偏差，以从社交媒体准确预测人口;
- TA-Dash：用于时空交通分析的交互式仪表板——演示论文;
- 使用起步和引导来缓解逆火效应;
- 从值机、犯罪和事件响应数据联合学习的用于巡逻高风险区域的多警察巡逻路线;
- 用于对比网络分析的可视化分析框架;
- 100,000,000,000个网络数据包的多时相分析和尺度关系;
- Facebook100网络的基于学习的链路预测分析;
- 极端叶状态和树的内部状态;
- 兴趣聚类系数：针对Twitter等有向网络的新指标;
- 有效的自我修复网络，可应对资源分配控制中的攻击或灾难;
- 公司董事会互锁网络中社区成员身份的一致性;
- 流行的最初增长率无法预测其传播范围：大规模恶意软件传播分析的教训;
- COVID-19期间推文的大规模语言无关的话语分类;
- 幂律人口异质性控制流行病波动;
- 具有无症状携带者的时态网络的广义SIS流行病模型和衰减率注释;
- COVID-19爆发的模型：疫苗的有效性，以意大利为例;
- 为什么即使在疫情无法控制的情况下也能观察到平稳期？巴西Covid-19的n个不同种群相互作用的SEIR模型;
- COVID-19空气传播（CAT）不等式：估算COVID-19空气传播的简单数学框架;
- 用于刻画加拿大COVID-19死亡率的广义加性模型;
- 巴西南里奥格兰德州COVID-19大流行演变的谱聚类方法;
- 具有主动决策策略的马尔可夫和非马尔可夫过程，用于解决COVID-19流行病;
- COVID-19大流行的分数模型：应用于意大利数据;
校正社会人口统计学选择偏差，以从社交媒体准确预测人口
原文标题： Correcting Sociodemographic Selection Biases for Accurate Population Prediction from Social Media
地址： http://arxiv.org/abs/1911.03855
作者： Salvatore Giorgi, Veronica Lynn, Sandra Matz, Lyle Ungar, H. Andrew Schwartz
摘要： 社交媒体越来越多地用于大规模人口预测，例如估计社区健康统计数据。但是，社交媒体用户通常不是预期人群的代表样本-“选择偏见”。在通过Twitter预测美国县人口健康统计数据的六项任务中，我们探索了标准的再认证技术-缓解偏倚的方法，可根据对社会人口统计数据样本不足的方式重新加权特定于人群的变量。我们发现标准的重新批准没有提供任何改善，并且经常降低人口预测的准确性。造成这种情况的根本原因似乎是对每个人口的社会人口统计数据的缩编和稀疏估计，因此，我们为此开发和评估了三种方法来解决：预测性的再分配以解决收缩问题，以及自适应分类和知情平滑来处理稀疏的社会问题-人口统计估计。我们展示了我们的每种方法都可以显著改善标准的重新认证方法。结合使用各种方法，我们发现与未重定模型相比有了实质性的改进，预测了预期的生活满意度的方差增加了44.9％，而所有任务的平均增加了10.5％。
TA-Dash：用于时空交通分析的交互式仪表板——演示论文
原文标题： TA-Dash: An Interactive Dashboard for Spatial-Temporal Traffic Analytics -- Demo Paper
地址： http://arxiv.org/abs/2008.00002
作者： Nicolas Tempelmeier, Anzumana Sander, Udo Feuerhake, Martin Löhdefink, Elena Demidova
摘要： 近年来，大量研究工作旨在开发机器学习模型，以预测复杂的时空移动性模式及其对道路交通和基础设施的影响。但是，由于缺乏可访问的用户界面来查看和分析预测结果，这些模型的实用性通常会降低。在本文中，我们介绍了流量分析仪表板（TA-Dash），这是一个交互式仪表板，可以可视化复杂的时空城市交通模式。我们以两个最近提出的用于城市交通和城市道路基础设施分析的时空模型为例，演示了TA-Dash的实用性。具体而言，用例包括对计划中的特殊事件对城市道路交通的影响进行分析，预测和可视化，以及对城市道路网络中的结构依存关系进行分析和可视化。轻巧的TA-Dash仪表板旨在解决参与城市交通管理和移动服务规划的非专家用户。 TA-Dash建立在基于层的灵活体系结构上，该体系结构很容易适应新模型的可视化。
使用起步和引导来缓解逆火效应
原文标题： Mitigating the Backfire Effect Using Pacing and Leading
地址： http://arxiv.org/abs/2008.00049
作者： Qi Yang, Khizar Qureshi, Tauhid Zaman
摘要： 在线社会网络创建回声室，人们很少会遇到相反的意见。即使发生这种暴露，劝说效果也可能很小或不存在。最近的研究表明，接触反对意见会产生适得其反的效果，使人们的原始信念更加坚定。我们在Twitter上进行了一项纵向领域的实验，以测试在使人们暴露于反对意见的同时减轻事后反作用的方法。我们的主题是具有反移民情绪的Twitter用户。事与愿违的效果被定义为受试者帖子中极端反移民语言使用频率的增加。我们使用自动Twitter帐户或漫游器对主题进行了不同的处理。一个漫游器仅发布了赞成移民的内容，我们称之为争论。另一个漫游器最初发布了反移民内容，然后逐渐发布了更多的反移民内容，我们将其称为定步调和领导。我们还结合了基于消息传递的方法进行联系处理，其中机器人喜欢对象的帖子。我们发现最有效的治疗方法是起搏和接触引导相结合。最无效的治疗方法是与接触者争论。实际上，与接触者争吵相对于对照组始终显示出适得其反的效果。这些发现有很多局限性，但它们对于研究政治两极化，适得其反的影响以及在线社会网络中的说服力仍然具有重要的意义。
从值机、犯罪和事件响应数据联合学习的用于巡逻高风险区域的多警察巡逻路线
原文标题： Multi-officer Routing for Patrolling High Risk Areas Jointly Learned from Check-ins, Crime and Incident Response Data
地址： http://arxiv.org/abs/2008.00113
作者： Shakila Khan Rumi, Kyle K. Qin, Flora D. Salim
摘要： 精心设计的警察巡逻路线设计对于在社区中提供社区安全至关重要。先前的工作主要集中在利用历史犯罪数据预测犯罪事件。很大程度上研究了从基于位置的社会网络或签到中收集的大规模机动性数据和兴趣点（POI）数据用于设计有效的警察巡逻的情况。鉴于现实生活中有多名警务人员在值班，这使问题更难以解决。在本文中，我们使用签到，犯罪，事件响应数据和POI信息，为多名警官制定了动态犯罪巡逻计划问题。我们提出一种联合学习和非随机优化方法，用于表示可能的解决方案，其中多个警官首先同时在高犯罪风险地区而不是低犯罪风险地区巡逻。后来，实施了元启发式遗传算法（GA）和布谷鸟搜索（CS）来找到最佳路线。验证了所提出解决方案的性能，并与使用实际数据集的几种最新方法进行了比较。
用于对比网络分析的可视化分析框架
原文标题： A Visual Analytics Framework for Contrastive Network Analysis
地址： http://arxiv.org/abs/2008.00151
作者： Takanori Fujiwara, Jian Zhao, Francine Chen, Kwan-Liu Ma
摘要： 常见的网络分析任务是比较两个网络，以识别一个网络相对于另一个网络的独特特征。例如，当比较源自正常组织和癌组织的蛋白质相互作用网络时，一项基本任务是发现癌组织所特有的蛋白质-蛋白质相互作用。但是，当网络包含复杂的结构（和语义）关系时，此任务具有挑战性。为了解决这个问题，我们设计了ContraNA，这是一个视觉分析框架，它利用机器学习的力量来揭示网络中的独特特征，并利用可视化的有效性来理解这种独特性。 ContraNA的基础是cNRL，它集成了两种机器学习方案，即网络表示学习（NRL）和对比学习（CL），以生成低维嵌入，揭示了一个网络与另一个网络相比的独特性。 ContraNA提供了一个交互式的可视化界面，可通过关联嵌入结果和网络结构以及cNRL解释学习到的功能来帮助分析唯一性。我们使用两个使用真实数据集的案例研究来证明ContraNA的有用性。我们还通过与12位参与者进行的受控用户研究来评估网络比较任务。结果表明，参与者既可以有效地识别复杂网络中的独特特征，又可以解释从cNRL获得的结果。
100,000,000,000个网络数据包的多时相分析和尺度关系
原文标题： Multi-Temporal Analysis and Scaling Relations of 100,000,000,000 Network Packets
地址： http://arxiv.org/abs/2008.00307
作者： Jeremy Kepner, Chad Meiners, Chansup Byun, Sarah McGuire, Timothy Davis, William Arcand, Jonathan Bernays, David Bestor, William Bergeron, Vijay Gadepally, Raul Harnasch, Matthew Hubbell, Micheal Houle, Micheal Jones, Andrew Kirby, Anna Klein, Lauren Milechin, Julie Mullen, Andrew Prout, Albert Reuther, Antonio Rosa, Siddharth Samsi, Doug Stetson, Adam Tse, Charles Yee, Peter Michaleas
摘要： 我们的社会从未如此依赖计算机网络。有效利用网络需要详细了解网络流量的正常背景行为。网络的大规模测量在计算上具有挑战性。基于交互式超级计算和GraphBLAS超稀疏分层流量矩阵的现有工作，我们已经开发了一种有效的方法，可以在不同的时间尺度上计算各种流网络数量。将这些方法应用于在网络网关处收集的100,000,000,000个匿名源-目的地对，可以发现许多以前未观察到的尺度关系。这些观察提供了对正常网络背景流量的新见解，可用于异常检测，AI特征工程以及测试流网络的理论模型。
Facebook100网络的基于学习的链路预测分析
原文标题： Learning-based link prediction analysis for Facebook100 network
地址： http://arxiv.org/abs/2008.00308
作者： Tim Poštuvan, Semir Salkić, Lovro Šubelj
摘要： 在社会网络科学中，Facebook是最有趣且使用最广泛的社会网络和媒体平台之一。在过去的十年中，Facebook数据推动了社会网络研究的重大发展。与此主题配对，我们已经在链路预测技术中获得了越来越多的普及，链路预测技术是链接挖掘和分析中的重要工具。本文对于2005年推出的Facebook100网络上的链路预测分析进行了全面概述。我们研究性能并评估该网络上的多种机器学习算法。我们使用网络嵌入和基于拓扑的技术，例如node2vec和相似性度量矢量。使用这些技术，可以得出我们分类模型的相似性特征。我们进一步讨论了我们的方法并提出了结果。最后，我们比较并回顾了我们的模型，这些模型展示了整体性能和分类率。
极端叶状态和树的内部状态
原文标题： On extremal leaf status and internal status of trees
地址： http://arxiv.org/abs/2008.00438
作者： Haiyan Guo, Bo Zhou
摘要： 对于树 T 的顶点 u ， u 的叶子（分别为内部）状态是 u 到 T 的所有叶子（分别为内部顶点）的距离之和。树 T 的最小（最大）叶状态是 T 的所有顶点的最小（最大）叶状态。一棵树 T 的最小（最大）内部状态是 T 的所有顶点的最小（最大）内部状态。我们给出了树木的最小叶子状态，最大叶子状态，最小内部状态和最大内部状态的最小和最大值，并描述了极端情况。我们还将讨论具有给定直径或最大度数的树的这些参数。
兴趣聚类系数：针对Twitter等有向网络的新指标
原文标题： Interest Clustering Coefficient: a New Metric for Directed Networks like Twitter
地址： http://arxiv.org/abs/2008.00517
作者： Thibaud Trolliet, Nathann Cohen, Frédéric Giroire, Luc Hogie, Stéphane Pérennes
摘要： 我们在这里研究有向社会图的聚类。已引入聚类系数以捕获朋友的朋友倾向于成为我的朋友的社会现象。对该度量进行了广泛的研究，并显示出对描述社交图的特征非常感兴趣。实际上，聚类系数适用于其中链接是无向的图，例如友谊链接（Facebook）或专业链接（LinkedIn）。对于其中链接从信息源指向信息消费者的图，这已经不再足够了。我们表明，以前的研究已经错过了此类图的有向部分中包含的许多信息。因此，我们引入了一种新的度量标准来衡量具有兴趣链接的有向社会图的聚类，即兴趣聚类系数。我们在一个非常大的社交图上（精确地并使用采样方法）对其进行计算，该图是一个具有5.05亿用户和230亿链接的Twitter快照。我们还提供了以前引入的有向和无向度量的值，首先是在如此大的快照上。我们表现出兴趣聚类系数大于文献中引入的经典有向聚类系数。这表明度量用于捕获有向图的信息方面的相关性。
有效的自我修复网络，可应对资源分配控制中的攻击或灾难
原文标题： Effective Self-Healing Networks against Attacks or Disasters in Resource Allocation Control
地址： http://arxiv.org/abs/2008.00651
作者： Yukio Hayashi, Atsushi Tanaka, Jun Matsukubo
摘要： 随着大型攻击或灾难带来的威胁越来越多，现在是重建网络基础结构（如通信或运输系统）的时机，而不是像以前那样在发生事故的情况下恢复它们，因为许多实际网络非常脆弱。因此，我们认为通过重连（重用或添加链接）进行自我修复的机制即使在遭受恶意攻击时仍是可持续且具有弹性的网络。在分布式的本地恢复过程中，关键策略是扩展链接节点的候选对象并通过应用受统计物理学启发的消息传递算法来增强循环。仿真结果表明，当半数以上的损坏连接处于活动状态或已从保留连接中进行补偿时，与常规方法相比，我们提出的将环形成和增强环组合起来的方法特别有效。
公司董事会互锁网络中社区成员身份的一致性
原文标题： Community membership consistency in corporate board interlock networks
地址： http://arxiv.org/abs/2008.00745
作者： Dafne E. van Kuppevelt, Rena Bakhshi, Eelke M. Heemskerk, Frank W. Takes
摘要： 社区检测是一种研究社会网络的介观规模结构的成熟方法。应用社区检测算法会导致将网络划分为社区，该社区通常用于检查和推理特定节点的社区成员身份。社区结构的这一微观解释步骤是典型社会科学研究中的关键步骤。但是，此步骤的方法学警告是，实际上，所有现代社区检测方法都是不确定性的，并且基于随机化和近似结果。在推理单个节点的社区成员资格时，需要明确考虑这一点。为此，我们提出了一个 emph 社区成员身份一致性的度量标准，它提供了节点级的见解，可以真正了解该节点在社区中的放置可靠性。此外，它使我们能够区分社区的 emph community core成员。拟议指标的有用性在公司董事会互锁网络上得到了证明，其中加权链接代表公司之间共享的高级董事。结果表明，全球企业集团的社区结构以持久社区为中心，这些持久社区由核心国家组成，地理和文化接近。此外，我们确定了与许多不同的全球商业社区相关联的边国家。
流行的最初增长率无法预测其传播范围：大规模恶意软件传播分析的教训
原文标题： Initial growth rates of epidemics fail to predict their reach: A lesson from large scale malware spread analysis
地址： http://arxiv.org/abs/2008.00445
作者： Lev Muchnik, Elad Yom-Tov, Nir Levy, Amir Rubin, Yoram Louzoun
摘要： 许多流行病学模型都基于流行病的快速初始传播率来预测高发病率。但是，大多数早期迅速流行的流行病在影响相当一部分人口之前就已经消亡。我们研究了一种计算机恶意软件生态系统，其表现出类似于生物系统的传播机制，同时提供了人类流行病无法获得的详细信息。我们发现计算机易感性的分布极为不同，几乎所有爆发都始于其尾部，一旦耗尽就迅速崩溃。这种机制取消了流行病的初始增长率与其总传播范围之间的相关性，并阻止了大多数流行病到达人口的宏观范围。少数普及型恶意软件会通过避免感染尾部并优先针对不受典型恶意软件影响的计算机来区分自己。
COVID-19期间推文的大规模语言无关的话语分类
原文标题： Large-scale, Language-agnostic Discourse Classification of Tweets During COVID-19
地址： http://arxiv.org/abs/2008.00461
作者： Oguzhan Gencoglu
摘要： 量化公众关注的特征是在大流行等严重事件中进行适当危机管理的必要先决条件。为此，我们提出了与语言无关的推文表示形式，以通过机器学习来执行大规模Twitter话语分类。我们对超过2600万条COVID-19推文的分析表明，使用开箱即用的这些表示方法，使用计算轻便的分类器，对公共话语进行大规模监视是可行的。
幂律人口异质性控制流行病波动
原文标题： Power-Law Population Heterogeneity Governs Epidemic Waves
地址： http://arxiv.org/abs/2008.00471
作者： Jonas Neipel, Jonathan Bauermann, Stefano Bo, Tyler Harmon, Frank Jülicher
摘要： 我们将流行病的易感感染去除模型进行一般化，以考虑到人口中对感染的易感性程度的异质性的一般影响。我们引入了一个新参数，该参数与表征种群异质性的磁化率分布的幂律指数相对应。我们表明，我们的广义模型与原始模型一样简单，而原始模型只是作为一个极限案例而包含的。由于这种简单性，可以容易地产生数值解，并且仍然可以精确地获得流行病波的关键特性。特别是，我们提供了畜群免疫力水平，流行病的最终规模以及波浪的形状和在流行病期间可以量化的可观测物的精确表达。我们发现，在高度异质的人群中，流行病仅覆盖人口的一小部分。这意味着畜群免疫力水平可能远低于同质种群的常用模型。使用我们的模型分析德国SARS-CoV-2流行病的数据表明，报告的时程与几种以免疫力水平不同为特征的情景一致。这些情况在人口异质性和感染率的时间过程上有所不同，例如由于缓解工作或季节性而异。我们的分析表明，量化缓解的影响需要了解人口中异质性的程度。我们的工作表明，可以在不增加模型复杂性的情况下捕获总体异质性的关键影响。我们表明，有关人口异质性的信息将是了解流行病进展的程度以及对未来病程的预期的关键。
具有无症状携带者的时态网络的广义SIS流行病模型和衰减率注释
原文标题： A Generalized SIS Epidemic Model on Temporal Networks with Asymptomatic Carriers and Comments on Decay Ratio
地址： http://arxiv.org/abs/2008.00826
作者： Ashish R. Hota, Kavish Gupta
摘要： 我们研究了时态网络上的SIS流行病类别，并提出了一种新的活动驱动和自适应流行病模型，该模型捕获了网络中无症状和传染性个体的影响。在提出的模型（称为A-SIYS流行病）中，每个节点可能处于三种可能的状态：易感，无症状或无症状感染以及有症状或有症状感染。无症状和有症状的个体均具有传染性。我们表明，拟议的A-SIYS流行病捕获了几种公认的流行病模型作为特殊病例，并通过依靠平均场近似获得了消除疾病的充分条件。此外，我们在（Ogura et al。，2019）中的活动驱动的自适应SIS（A-SIS）模型中强调了衰减比上限推导中的潜在误差，并提出了它们的更通用版本结果。我们用数值方法说明了A-SIS流行病模型中受感染结节的演变情况，并表明与我们的结果相反，（Ogura等人，2019）的界限通常无法捕获流行病的行为。
COVID-19爆发的模型：疫苗的有效性，以意大利为例
原文标题： A model for the outbreak of COVID-19: Vaccine effectiveness in a case study of Italy
地址： http://arxiv.org/abs/2008.00828
作者： Vasiliki Bitsouni, Nikolaos Gialelis, Ioannis G. Stratis
摘要： 我们还考虑了无症状感染者，提出了具有人口统计学的区室数学模型，用于COVID-19疾病的传播。我们计算模型的基本繁殖率，并研究其局部和全局稳定性。我们基于意大利的案例对模型进行数值求解。我们提出了一种疫苗接种模型，并推导了在疫苗不完善的情况下防止感染扩散的阈值条件。
为什么即使在疫情无法控制的情况下也能观察到平稳期？巴西Covid-19的n个不同种群相互作用的SEIR模型
原文标题： Why can we observe a plateau even in an out of control epidemic outbreak? A SEIR model with the interaction of distinct populations for Covid-19 in Brazil
地址： http://arxiv.org/abs/2008.00865
作者： Matheus Jatkoske Lazo, Adriano De Cezaro
摘要： 该手稿提出了一个由n个人口组成的，相互作用的结构化SEIR模型，用于描述COVID-19大流行性疾病的传播。提议的模型具有灵活性，可以包括地理上分散的社区，并考虑到人口老龄化及其相互作用。我们表明，对所提出模型的动力学的不同假设导致受感染人群呈高原曲线，反映了从巴西等大国收集的数据。此类观察旨在进行以下推测：“ Covid-19疾病从首都扩散到巴西内陆，正如所提议的模型所反映的，是该国报告的高原样病例的原因”。我们提出了一些情景的数值模拟，并与巴西的报道数据进行了比较，这些数据与上述结论相符。
COVID-19空气传播（CAT）不等式：估算COVID-19空气传播的简单数学框架
原文标题： The COVID-19 Airborne Transmission (CAT) Inequality: A Simple Mathematical Framework for Estimating Airborne Transmission of COVID-19
地址： http://arxiv.org/abs/2008.00973
作者： Rajat Mittal
摘要： 提出了一种简单的数学模型，用于估计呼吸道感染（如COVID-19）的空气传播风险。该模型试图结合空气传播此类疾病的已知物理因素范围，其目的不仅是作为跨学科界限的科学探究的通用基础，而且还可以被科学和技术以外的广大读者所理解。学术界。
用于刻画加拿大COVID-19死亡率的广义加性模型
原文标题： Generalized additive models to capture the death rates in Canada COVID-19
地址： http://arxiv.org/abs/2008.01030
作者： Farzali Izadi
摘要： 为了捕获加拿大COVID-19中的死亡率和每周，每两周甚至可能每月一次的强势模式，我们在没有直接基于统计学的感染率测量的情况下利用广义加性模型。通过检查加拿大的总体死亡率，尤其是魁北克，安大略省和艾伯塔省的死亡率，可以轻松地发现相对于泊松而言，存在很大的过度分散，因此负二项式分布是进行分析的合适选择。广义加性模型（GAM）是用于数据分析的主要建模工具之一。 GAM可以在回归模型的线性预测变量中有效组合不同类型的固定，随机和平滑项，以说明不同类型的影响。 GAM是广义线性模型（GLM）的半参数扩展，通常用于在没有先验理由来选择特定响应函数（例如线性，二次方程式等）且需要数据“说明”的情况下他们自己'。 GAM通过平滑函数执行此操作，并获取模型中的每个预测变量，并将其分成由“结”界定的部分，然后将多项式函数分别拟合到每个部分，但要注意的是，在结处没有链接-二阶导数分开的功能在结处相等。
巴西南里奥格兰德州COVID-19大流行演变的谱聚类方法
原文标题： A spectral clustering approach for the evolution of the COVID-19 pandemic in the state of Rio Grande do Sul, Brazil
地址： http://arxiv.org/abs/2008.00333
作者： Luiz Emilio Allem, Carlos Hoppen, Matheus Micadei Marzo, Lucas Siviero Sibemberg
摘要： 本文的目的是通过应用图论工具，特别是谱聚类技术，对在167个人口为10,000或州的直辖市中定义的加权图，分析南里奥格兰德州COVID-19大流行的演变。更多信息，这些信息基于政府机构和其他来源提供的数据。为了应对这种爆发，国家采用了一种系统，该系统每周为预定区域分配标志，并根据分配的标志实施不同的措施。我们的研究结果表明，考虑对地区本身采取灵活的方法可能是有用的附加工具，可以为发生率较低的城市提供更多的回旋余地，同时将重点放在公共安全上。此外，模拟显示了隔离对疾病传播的抑制作用。
具有主动决策策略的马尔可夫和非马尔可夫过程，用于解决COVID-19流行病
原文标题： Markovian And Non-Markovian Processes with Active Decision Making Strategies For Addressing The COVID-19 Epidemic
地址： http://arxiv.org/abs/2008.00375
作者： Hamid Eftekhari, Debarghya Mukherjee, Moulinath Banerjee, Ya'acov Ritov
摘要： 我们使用离散的基于隔间的模型研究和预测Covid-19在美国6个州从5月1日到8月31日的演变过程，并在最大限度地减少损失函数的基础上，制定了积极的干预政策，如封锁，部分观察到的马尔可夫决策过程的框架。对于每个州，分析了40天的Covid-19数据（从两个北部州的5月1日开始，以及四个南部州的6月1日开始），以估计各区隔与其他与流行病演变相关的参数之间的过渡概率。然后，在各种策略分配下，使用这些数量来预测下一个50天（测试期）在给定状态下的流行病进程，从而导致在培训范围内损失函数的值不同。最佳策略分配是对应于最小损失的分配。我们的分析表明，在测试期间，六个州均不需要锁定，尽管要谨慎地解释禁止锁定的处方：负责任的口罩的使用和社会疏离当然需要继续进行。详细讨论了此类流行病传播建模的注意事项。提出了Covid-19传播（以及更普遍的流行病传播）的非马尔可夫公式的草图，作为该领域未来研究的诱人途径。
COVID-19大流行的分数模型：应用于意大利数据
原文标题： A fractional model for the COVID-19 pandemic: Application to Italian data
地址： http://arxiv.org/abs/2008.00033
作者： Elisa Alòs, Maria Elvira Mancino, Raúl Merino, Simona Sanfelici
摘要： 我们为意大利的COVID-19大流行提供了概率SIRD模型，在该模型中，我们允许随机选择感染，恢复和死亡率。特别地，潜在的随机因素是由分数布朗运动驱动的。我们的模型很简单，只需要校准一些参数即可。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。
网友评论