We analyse and mutually compare time series of COVID-19-related data and mobility data across Belgium's 43 arrondissements (NUTS 3). In this way, we reach three conclusions. First, we could detect a decrease in mobility during high-incidence stages of the pandemic. This is expressed as a significant change in the average amount of time spent outside one's home arrondissement, investigated over five distinct periods, and in more detail using an inter-arrondissement ``connectivity index'' (CI). Second, we analyse spatio-temporal COVID-19-related hospitalisation time series, after smoothing them using a generalise additive mixed model (GAMM). We confirm that some arrondissements are ahead of others and morphologically dissimilar to others, in terms of epidemiological progression. The tools used to quantify this are time-lagged cross-correlation (TLCC) and dynamic time warping (DTW), respectively. Third, we demonstrate that an arrondissement's CI with one of the three identified first-outbreak arrondissements is correlated to a significant local excess mortality some five to six weeks after the first outbreak. More generally, we couple results leading to the first and second conclusion, in order to demonstrate an overall correlation between CI values on the one hand, and TLCC and DTW values on the other. We conclude that there is a strong correlation between physical movement of people and viral spread in the early stage of the SARS-CoV-2 epidemic in Belgium, though its strength weakens as the virus spreads


翻译:我们分析并相互比较比利时43个地区(NUTS 3)与COVID-19有关的数据和流动数据的时间序列。 如此一来,我们得出了三个结论。 首先,我们可以发现,在流行病高发阶段,在这种流行病高发阶段中,在高发阶段中,我们可以看到流动性的下降。这表现为,在5个不同时期中,我们调查了在家庭偏转区外平均花费的时间数量发生了重大变化,并且使用一个时间错位的连接指数(CI)更详尽地分析了时间序列。 其次,我们分析了与COVID-19有关的住院时间序列,在使用一个通用添加混合模型(GAMM)来平息这些变化。 我们确认,在流行病高发阶段中,一些偏差在其它阶段中,在时间间隔期间的平均时间长度有显著变化。 用于量化这一变化的工具分别是时间滞后的交叉关系(TLCC)和动态时间扭曲(DTW)。 第三,我们证明,在首次确定的三阶段中,CI(CI)的直径)的直位化,在第一个阶段中, 直系直系直系直系直系直系直系直系直系直系直系直系直系直系至前六周后,而后, 。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年3月14日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员