Public mobility data enables COVID-19 forecasting and management at local and global scales.
Public mobility data enables COVID-19 forecasting and management at local and global scales.
复制标题
DOI：
10.1038/s41598-021-92892-8
复制
发表时间：
2021-06-29
影响因子：
4.6
通讯作者：
Blumenstock JE
中科院分区：
文献类型：
--
作者：
Ilin C;Annan-Phan S;Tai XH;Mehra S;Hsiang S;Blumenstock JE
世界各地的政策制定者都在努力确定一套限制措施，既能有效遏制新冠肺炎的传播，又不会过度抑制经济活动。我们表明，由谷歌、脸书和其他提供商收集的关于人类流动性的公开数据可以用于评估非药物干预(NPI)的有效性，并预测新冠肺炎的传播。这种方法使用简单透明的统计模型来估计NPI对移动性的影响，并使用基本的机器学习方法来生成新冠肺炎案例的10天预测。这种方法的一个优点是，它涉及对疾病动力学的最小假设，并且只需要公开的数据。我们使用来自中国、法国、意大利、韩国和美国的当地和地区数据以及来自世界80个国家的国家数据来评估这一方法。我们发现，NPI与人类流动性的显著减少有关，流动性的变化可以用来预测新冠肺炎感染。
Policymakers everywhere are working to determine the set of restrictions that will effectively contain the spread of COVID-19 without excessively stifling economic activity. We show that publicly available data on human mobility—collected by Google, Facebook, and other providers—can be used to evaluate the effectiveness of non-pharmaceutical interventions (NPIs) and forecast the spread of COVID-19. This approach uses simple and transparent statistical models to estimate the effect of NPIs on mobility, and basic machine learning methods to generate 10-day forecasts of COVID-19 cases. An advantage of the approach is that it involves minimal assumptions about disease dynamics, and requires only publicly-available data. We evaluate this approach using local and regional data from China, France, Italy, South Korea, and the United States, as well as national data from 80 countries around the world. We find that NPIs are associated with significant reductions in human mobility, and that changes in mobility can be used to forecast COVID-19 infections.
登录
查看更多内容
影响因子：
2.6
作者：
Evans MV;Garchitorena A;Rakotonanahary RJL;Drake JM;Andriamihaja B;Rajaonarifara E;Ngonghala CN;Roche B;Bonds MH;Rakotonirina J
通讯作者：
Rakotonirina J
影响因子：
3.7
作者：
Liverani M;Hawkins B;Parkhurst JO
通讯作者：
Parkhurst JO
影响因子：
56.9
作者：
Chinazzi, Matteo;Davis, Jessica T.;Vespignani, Alessandro
通讯作者：
Vespignani, Alessandro
影响因子：
29.9
作者：
Cheng, Cindy;Barcelo, Joan;Messerschmidt, Luca
通讯作者：
Messerschmidt, Luca
影响因子：
64.8
作者：
Hsiang, Solomon;Allen, Daniel;Wu, Tiffany
通讯作者：
Wu, Tiffany