Tracking Epidemics With Google Flu Trends Data and a State-Space SEIR Model
结合 Google 流感趋势数据与状态空间 SEIR 模型追踪疫情AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用状态空间模型与粒子滤波分析随时间演化的监测序列，应用领域为流行病学。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
结合 Google 流感趋势数据与状态空间 SEIR 模型追踪疫情
- 研究问题
- 如何结合在线流感监测数据与疫情动力学，持续追踪随时间变化的传播过程，并在新数据到达时更新大流行判断？
- 方法与思路
- 作者将 SEIR 动力学嵌入状态空间框架，允许其随时间变化，以粒子滤波顺序更新，并结合序贯贝叶斯因子诊断。
- 材料陈述的贡献
- 摘要称该方法可形成在线流感大流行诊断工具，并展示对美国整体及多个州历史流感趋势数据的疫情追踪。
- 阅读关注点
- 应核对搜索数据与疫情状态之间的观测模型、时变动力学设定，以及粒子滤波稳定性、诊断阈值和误报漏报表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明诊断准确率或外部验证，不能断定搜索数据代表真实感染，也不能推断刊本变化。
原文摘要
In this article, we use Google Flu Trends data together with a sequential surveillance model based on state-space methodology to track the evolution of an epidemic process over time. We embed a classical mathematical epidemiology model [a susceptible-exposed-infected-recovered (SEIR) model] within the state-space framework, thereby extending the SEIR dynamics to allow changes through time. The implementation of this model is based on a particle filtering algorithm, which learns about the epidemic process sequentially through time and provides updated estimated odds of a pandemic with each new surveillance data point. We show how our approach, in combination with sequential Bayes factors, can serve as an online diagnostic tool for influenza pandemic. We take a close look at the Google Flu Trends data describing the spread of flu in the United States during 2003-2009 and in nine separate U.S. states chosen to represent a wide range of health care and emergency system strengths and weaknesses. This article has online supplementary materials.