DOI: https://doi.org/10.28991/esj-2024-08-01-023
تاريخ النشر: 2024-02-01
المؤلف: Muhammad Shoaib Arif وآخرون
الموضوع الرئيسي: دراسات وبائية حول COVID-19
نظرة عامة
تقدم هذه الورقة البحثية مخطط عددي جديد من الدرجة الثالثة على مرحلتين مدمج مع محاكاة الشبكات العصبية لنموذج الوباء SEIR (المعرضون – المكشوفون – المصابون – المتعافون). تعالج الطريقة العددية الصريحة المقترحة كل من مشاكل القيمة الحدية الخطية وغير الخطية، محققة درجة أعلى من الدقة مقارنة بالطرق الحالية مثل الفروق المحددة غير القياسية وتقنيات أويلر الأمامية. تُظهر الدراسة أن المخطط من الدرجة الثالثة يعزز بشكل كبير دقة توقعات الوباء، لا سيما في السيناريوهات التي تتميز بتغيرات سريعة وديناميكيات معقدة. بالإضافة إلى ذلك، فإن دمج خوارزمية الانتشار العكسي ليفنبرغ-ماركاردت (LMB) لتدريب الشبكة العصبية يعزز من قدرات النموذج التنبؤية.
تشير النتائج إلى أن المنهجية المقترحة تلتقط بفعالية الأنماط المعقدة لانتشار المرض، مما يوفر رؤى قيمة للتحكم في الأوبئة وإدارتها. بينما النتائج واعدة، تعترف الدراسة بالقيود المتعلقة بالافتراضات المتأصلة في إطار SEIR وضرورة وجود بيانات مدخلة موثوقة. يُشجع البحث المستقبلي على تحسين هذه الجوانب ودمج البيانات في الوقت الحقيقي لتعزيز دقة النموذج. بشكل عام، تسهم هذه العمل في مجال نمذجة الأوبئة المتطور من خلال دمج تقنيات عددية متقدمة مع التعلم الآلي، مما يمهد الطريق لتحسين التدخلات الصحية العامة وصياغة السياسات.
النتائج
يقدم قسم النتائج تقييمًا شاملاً لمخطط عددي صريح مقترح لحل المعادلات غير الخطية، مع تسليط الضوء على مزاياه وقيوده. يحقق المخطط دقة من الدرجة الثالثة من خلال عملية من مرحلتين دون الحاجة إلى خطية، وهو ما يتطلب غالبًا في الطرق الضمنية. ومع ذلك، فإنه يتطلب حساب مشتق إضافي، مما قد يزيد من الجهد الحسابي. يُظهر المخطط الصريح تقاربًا أسرع مقارنة بالطرق الضمنية، لا سيما عند استخدام تقنيات تكرارية، حيث يعتمد التقارب على استقرار وموثوقية المخطط، وفقًا لنظرية مكافئة لاكس.
يتم مقارنة أداء المخطط المقترح مع طرق عددية أخرى، بما في ذلك الفروق المحددة غير القياسية وطرق أويلر الصريحة من الدرجة الأولى، في سياق نموذج وباء SEIR. يتم تحليل الأخطاء المطلقة للسكان المعرضين والمكشوفين والمصابين والمتعافين، حيث يظهر الأسلوب المقترح أخطاء مطلقة أقل من البدائل بسبب دقته الأعلى. بالإضافة إلى ذلك، يتم استخدام نهج الشبكة العصبية لتحليل الانحدار، مما يظهر أداء تدريب وتحقق فعال، مع أخطاء متوسطة مربعة قليلة عبر مختلف السكان المستهدفين. بشكل عام، يوفر المخطط المقترح ودمج الشبكة العصبية إطارًا قويًا لنمذجة ديناميات الأوبئة، على الرغم من التحديات المتعلقة بالدقة في بعض السيناريوهات.
المناقشة
في هذا البحث، يتم اقتراح مخطط عددي جديد من مرحلتين لحل نموذج وباء SEIR، محققًا دقة من الدرجة الثالثة من خلال نهج المنبئ-المصحح. تستخدم مرحلة المنبئ مشتقات من الدرجة الثانية، بينما تعتمد مرحلة المصحح فقط على مشتقات من الدرجة الأولى. يسمح الطابع الصريح للطريقة بحساب فعال عند كل نقطة شبكة، مما يتطلب فقط تكرارًا واحدًا لكل خطوة زمنية. يتم تقديم المعادلات المستمدة لمرحلتَي المنبئ والمصحح، مع تحديد المعلمات من خلال توسعات سلسلة تايلور، مما يضمن استقرار وموثوقية المخطط.
تظهر تطبيقات هذا المخطط العددي على نموذج SEIR فعاليته في التقاط ديناميات الأمراض المعقدة وتحسين دقة التنبؤ، لا سيما في السيناريوهات ذات التغيرات السريعة. يعزز دمج محاكيات الشبكة العصبية من قدرات النموذج، مما يسمح بفهم أكثر شمولاً لعمليات الوباء. تشير النتائج إلى أن الطريقة المقترحة تتفوق على التقنيات التقليدية، مثل الفروق المحددة غير القياسية وطرق أويلر، من حيث الخطأ المطلق. ومع ذلك، فإن دقة النموذج تعتمد على الافتراضات الخاصة بإطار SEIR وجودة بيانات المدخلات، مما يبرز الحاجة إلى بحث مستقبلي لتحسين هذه الجوانب ودمج البيانات في الوقت الحقيقي لتحسين التنبؤات. بشكل عام، تسهم هذه الدراسة في تطوير أدوات متقدمة للتنبؤ الوبائي وإدارة الصحة العامة.
DOI: https://doi.org/10.28991/esj-2024-08-01-023
Publication Date: 2024-02-01
Author(s): Muhammad Shoaib Arif et al.
Primary Topic: COVID-19 epidemiological studies
Overview
This research paper presents a novel third-order two-stage numerical scheme integrated with neural network simulations for the SEIR (Susceptible-Exposed-Infectious-Removed) epidemic model. The proposed explicit numerical method addresses both linear and nonlinear boundary value problems, achieving a higher order of accuracy compared to existing methods such as non-standard finite difference and forward Euler techniques. The study demonstrates that the third-order scheme significantly enhances the precision of epidemic forecasts, particularly in scenarios characterized by rapid changes and complex dynamics. Additionally, the incorporation of the Levenberg-Marquardt backpropagation (LMB) algorithm for training the neural network further improves the model’s predictive capabilities.
The findings indicate that the proposed methodology effectively captures intricate patterns of disease propagation, offering valuable insights for epidemic control and management. While the results are promising, the study acknowledges limitations related to the assumptions inherent in the SEIR framework and the necessity for reliable input data. Future research is encouraged to refine these aspects and incorporate real-time data to bolster the model’s accuracy. Overall, this work contributes to the evolving field of epidemic modeling by merging advanced numerical techniques with machine learning, paving the way for improved public health interventions and policy formulation.
Results
The results section presents a comprehensive evaluation of a proposed explicit numerical scheme for solving nonlinear equations, highlighting its advantages and limitations. The scheme achieves third-order accuracy through a two-stage process without the need for linearization, which is often required in implicit methods. However, it necessitates the computation of an additional derivative, which can increase computational effort. The explicit scheme demonstrates faster convergence compared to implicit methods, particularly when iterative techniques are employed, as convergence is contingent on the stability and consistency of the scheme, as per the Lax equivalence theorem.
The performance of the proposed scheme is compared against other numerical methods, including non-standard finite difference and first-order explicit Euler methods, in the context of an SEIR epidemic model. The absolute errors for susceptible, exposed, infected, and recovered populations are analyzed, with the proposed method exhibiting lower absolute errors than the alternatives due to its higher accuracy. Additionally, a neural network approach is utilized for regression analysis, showing effective training and validation performance, with minimal mean squared errors across various target populations. Overall, the proposed scheme and neural network integration provide a robust framework for modeling epidemic dynamics, despite challenges related to accuracy in certain scenarios.
Discussion
In this research, a novel two-stage numerical scheme is proposed for solving the SEIR epidemic model, achieving third-order accuracy through a predictor-corrector approach. The predictor stage utilizes second-order derivatives, while the corrector stage relies solely on first-order derivatives. The method’s explicit nature allows for efficient computation at each grid point, requiring only a single iteration per time step. The derived equations for the predictor and corrector stages are presented, with parameters determined through Taylor series expansions, ensuring the scheme’s stability and consistency.
The application of this numerical scheme to the SEIR model demonstrates its effectiveness in capturing complex disease dynamics and improving predictive accuracy, particularly in scenarios with rapid changes. The integration of neural network simulations further enhances the model’s capabilities, allowing for a more comprehensive understanding of epidemic processes. The findings indicate that the proposed method outperforms traditional techniques, such as non-standard finite difference and Euler methods, in terms of absolute error. However, the model’s accuracy is contingent upon the assumptions of the SEIR framework and the quality of input data, highlighting the need for future research to refine these aspects and incorporate real-time data for improved predictions. Overall, this study contributes to the development of advanced tools for epidemiological forecasting and public health management.