Συντάχθηκε 07-11-2022 12:25
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 10/11/2022 16:00
Λήξη: 10/11/2022 17:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΜΙΧΑΗΛ ΧΑΤΖΗΝΙΚΟΛΑΟΥ
με θέμα
Εκτίμηση επιδημιολογικών παραμέτρων σε δίκτυα πληθυσμών
Estimating epidemiological parameters on population networks
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Σαμολαδάς Βασίλειος (επιβλέπων)
Επίκουρη Καθηγήτρια Μανουσάκη Δάφνη
Αναπληρωτής Καθηγητής Χαλκιαδάκης Γεώργιος
Περίληψη
Η πανδημία της COVID-19 οδήγησε στην αύξηση της έρευνας που σχετίζεται με την επιδημιολογία της. Ταυτοχρόνως, έγιναν προσπάθειες να ποσοτικοποιηθούν δεδομένα που σχετίζονται με την επιδημία. Η παρούσα εργασία επιχειρεί να μοντελοποιήσει δίκτυα πληθυσμών με διάφορες επιδημιολογικές παραμέτρους και να υπολογίσει αυτές τις παραμέτρους δεδομένης της έκβασης της επιδημίας. Το πρώτο μέρος του πειράματος αποτελείται από την υλοποίηση του μοντέλου, ενώ το δεύτερο είναι η προσπάθεια υπολογισμού των παραμέτρων μέσω των τεχνητών δεδομένων που παρήχθησαν από το προαναφερθέν μοντέλο. Τέλος, η ευαισθησία των χρησιμοποιημένων μεθόδων ελέγχεται με προσθήκη θορύβου.
Δεδομένου ενός δικτύου αποτελούμενου από απομονωμένους κόμβους πληθυσμών, της ημερήσιας μετακίνησης πληθυσμών μεταξύ των κόμβων και της επιδημιολογικής προόδου σε κάθε κόμβο, μπορούμε να εκτιμήσουμε τις επιδημιολογικές παραμέτρους αυτού του κόμβου. Αυτό υποδεικνύει ότι η συμβολή από τη μετακίνηση των μολυσμένων ατόμων μεταξύ των κόμβων επηρεάζει την εκτίμηση των παραμέτρων του κόμβου μόνο για μεγάλες τιμές πλήθους τέτοιων ατόμων.
Abstract
The COVID-19 pandemic gave rise to an increase of research related to its epidemiology. Simultaneously, efforts were made to quantify data related to the epidemic. This thesis is an attempt to model networks of populations with various epidemiological parameters and try to calculate those parameters given the outcome of the epidemic. The first part of the experiment consists of the implementation of the model, while the second part is the attempt to calculate the parameters on artificial data created by said network. Finally, the sensitivity of the methods uses is tested against added noise.
Given a network of self-contained populations as node, the daily travel between the nodes and the progress of the epidemic on each node, we can estimate the epidemiological parameters of the node. This shows that interference from travel of infected individuals to nodes affects the estimation of epidemiological parameters of the node only for relatively large population values of such individuals.
