国际群体智能与进化计算杂志

抽象的

美国和加拿大 COVID-19 每日医院住院人数中的低维混沌吸引子

卡洛斯·佩德罗·贡萨尔维斯*

混沌理论方法的流行病学应用揭示了 SARSCoV-2 流行病学数据中存在混沌标记，包括具有正 Lyapunov 指数的低维吸引子，以及不同地区接近混沌开始的动态证据标记。我们扩展了这些先前的研究，对美国和加拿大的 COVID-19 每日住院病例进行了比较研究，应用了混沌理论、机器学习和拓扑数据分析方法的组合。这两个国家的 COVID-19 住院数据都显示出低维混沌标记，利用这些吸引子的递归结构的自适应人工智能系统具有很高的可预测性，最多 42 天的预测 R ²得分超过 95%。有证据表明，美国的住院率比加拿大更接近混沌的开始，也更可预测，这种更高可预测性的原因可以通过拓扑数据分析方法来解释。