基于随机投影神经网络的基孔肯雅病毒七室模型理论分析与数据驱动预测

《Scientific Reports》：Mathematical modeling of chikungunya transmission dynamics and control using disease-driven machine learning

　　

摘要

基孔肯雅病毒（CHIKV）是一种重要的媒介传播威胁；然而，目前鲜有模型能够成功地将严格的理论保证与高效、可靠的预测工具相结合。本研究旨在弥补这一空白，提出了一种非线性七室人-蚊模型。该模型包括人类的可感人群、潜伏期人群、感染人群和康复人群，以及蚊类的可感蚊、潜伏蚊和感染蚊。模型考虑了传播循环两侧均存在的潜伏期阶段，这是现有CHIKV模型中常被忽略的流行病学特征。通过证明解的正性和有界性，并计算基本再生数\(\mathcal {R}_0\)，建立了模型的数学适定性。此外，研究表明：当\(\mathcal {R}_0 < 1\)时，无病平衡点是局部渐近稳定的；更重要的是，当\(\mathcal {R}_0 \le 1\)时，无病平衡点在整个可行域上是全局渐近稳定的。这一结果比类似模型中观察到的局部稳定性结论更为强有力。本方法的主要贡献在于：基于随机投影神经网络（RPNN）开发了一种疾病驱动的机器学习框架，作为传统深度神经网络（DNN）的高效替代方案，用于求解CHIKV系统。该方法在多种流行病学场景下与DNN进行了直接对比，RPNN在精度、稳定性和计算成本方面始终表现更优，从而具备作为一般性流行病模型的代理求解器的潜力。我们利用哥伦比亚的真实基孔肯雅热监测数据对该框架进行了验证，表明拟合模型能够重现疫情的实际轨迹。参数分析显示：较高的传播速率会加速疾病的暴发，较低的康复率会延长并加剧感染，而较高的蚊虫死亡率则是控制疫情的有效手段。基于RPNN的预测框架与真实数据验证，结合理论保证，为基孔肯雅热疫情的分析和防控提供了一种联合且计算高效的工具。