基于GWMCMC算法的COVID-19传播模型优选与参数可识别性分析

针对传染病模型复杂性与数据有限性导致的预测偏差问题，研究人员采用Affine Invariant Ensemble MCMC（GWMCMC）算法，对英国COVID-19疫情开展两毒株动力学模型优选与参数可识别性分析。通过AIC/BIC准则筛选简约模型，结合结构/实际可识别性评估，证实算法可提升参数估计鲁棒性，为公共卫生决策提供可靠预测依据。

　　

研究背景

在COVID-19大流行期间，数学模型成为评估疫情趋势的核心工具。然而，不同团队使用相似模型和相同数据时，预测结果却差异巨大——例如基本再生数R₀
的估计值可从1.5跨越至10。这种不确定性暴露出两大核心问题：一是模型复杂度与有限数据间的矛盾易导致过拟合；二是参数不可识别性（unidentifiability）会显著降低预测可靠性。传统马尔可夫链蒙特卡洛（MCMC）方法在面临这些问题时往往收敛困难，亟需更高效的算法框架。

研究方法

来自国内的研究团队Yafei Zhao、Hui Wu等提出基于Affine Invariant Ensemble MCMC（GWMCMC）的创新分析框架。利用英国2020年9-10月的公共卫生数据，通过Akaike信息准则（AIC）和贝叶斯信息准则（BIC）对嵌套式双毒株/单毒株模型进行优选，并采用泰勒级数法和微分代数法开展结构可识别性分析，结合噪声扰动实验验证实际可识别性。

研究结果

模型选择
对比包含野生型（w）与变异株的两毒株SEIR模型，发现简约化单毒株模型在AICc加权得分中表现最优，证实过度复杂的参数化会显著增加预测不确定性。

参数可识别性
通过GWMCMC算法拟合显示：

1. 结构可识别性分析证明基础传播率β与确诊率ρ可通过微分代数方法唯一确定；
2. 实际可识别性测试中，关键参数在±20%噪声扰动下仍保持稳定置信区间，表明GWMCMC能有效缓解传统MCMC的局部收敛问题。

预测应用
将优选模型与英国防控政策耦合，短期预测（14天）误差率<5%，长期趋势与后续实际疫情发展吻合度达89%。

结论与意义

该研究发表于《Mathematics and Computers in Simulation》，首次将GWMCMC算法系统应用于传染病模型评估。结果表明：

1. 模型选择能规避"过度参数化陷阱"，使预测误差降低30%-40%；
2. 参数可识别性分析可量化评估政策干预效果，例如发现社交距离措施对变异株传播的抑制效率比野生型低18%；
3. GWMCMC的仿射不变性（affine invariance）特性使其在复杂后验分布采样中效率提升5-8倍。这一框架为重大公共卫生事件的模型可靠性评估提供了标准化范式。