Structured epidemic models can be formulated as first-order hyperbolic PDEs, where the "spatial" variables represent individual traits, called structures. For models with two structures, we propose a numerical technique to approximate $R_{0}$, which measures the transmissibility of an infectious disease and, rigorously, is defined as the dominant eigenvalue of a next-generation operator. Via bivariate collocation and cubature on tensor grids, the latter is approximated with a finite-dimensional matrix, so that its dominant eigenvalue can easily be computed with standard techniques. We use test examples to investigate experimentally the behavior of the approximation: the convergence order appears to be infinite when the corresponding eigenfunction is smooth, and finite for less regular eigenfunctions. To demonstrate the effectiveness of the technique for more realistic applications, we present a new epidemic model structured by demographic age and immunity, and study the approximation of $R_{0}$ in some particular cases of interest.


翻译:结构性的流行病模型可以作为一阶双曲式PDE, “ 空间” 变量代表个体特性, 称为结构。 对于有两种结构的模型, 我们提出一个数字技术, 大约为R ⁇ 0}美元, 用来测量传染病的传染性, 严格地说, 被定义为下一代操作者的主导性电子元值。 在高温网格上, 双倍地合用和幼稚可与一个有限维基矩阵相近, 这样它的主要电子元值可以很容易地用标准技术来计算。 我们用试验示例来实验近似行为: 当相应的电子元功能平稳时, 趋同顺序看起来是无限的, 并且限制不那么普通的电子元。 为了证明这种技术在更现实的应用上的有效性, 我们提出了一个按人口年龄和免疫度构建的新的流行病模型, 并研究在某些特定感兴趣的情况下, 近似值为 $R ⁇ 0 美元 。

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年9月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
3+阅读 · 2020年8月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年10月25日
Arxiv
14+阅读 · 2020年12月17日
Bivariate Beta LSTM
Arxiv
5+阅读 · 2019年10月7日
VIP会员
相关VIP内容
专知会员服务
39+阅读 · 2020年9月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
3+阅读 · 2020年8月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员