一、个体
1、20210223-Scaling of contact networks for epidemic spreading in urban transit systems
利用中国三个特大城市（广州上海深圳）的地铁智能卡数据构建了个人层面的接触网络，并在此基础上建立了疾病传播的模型和研究。尽管三个城市的城市形式、网络布局和移动模式不同，但绘制地铁乘客接触次数和接触时间的度分布，发现三个城市的地铁系统有着相似的联系网络结构。但随着接触次数和接触时间的增加，节点度分布的尾部呈指数衰减，这与地铁出行模式的观测结果相似，衰变率随时间而变化，各城市之间存在差异。在个体层面构建接触网络，同时考虑非加权和加权接触网络。对于未加权的MCN，每个节点代表一个出行者，一对节点之间的链接表示这两个出行者有正的概率在同一列地铁上。该模型解释了地铁接触网络的结构特性与传染病风险水平之间的关系。
2、20210609-Tracing contacts to evaluate the transmission of COVID-19 from highly exposed individuals in public transportation
在这项工作中使用了两个流行病学模型，以了解巴西福塔莱萨 COVID-19疫情期间的公共交通传播。采用接触追踪模型估计城市公交车内部传播(微观尺度)，再采用分室模型（SEIIR）评估整个城市(宏观尺度)内传播，结果显示，除了第一波和第二波每日病例之间的三个月，$Re^{bus}$在当地COVID-19爆发期间一直跟踪$Re^{city}$。此外，直到7月底，由公共汽车内医护人员传播的$Re^{health}$值持续大于$Re^{bus}$值。医护人员等其他高度暴露人群也可能以类似方式影响病毒传播动态。因此必须提出特殊政策来支持(或避免)高度暴露人群的流离失所
3、20210318-A Particle-Based COVID-19 Simulator With Contact Tracing and Testing
开发了一种基于粒子的SEIR模拟器，具有接触者追踪和测试功能。与SEIR模型相比，主要优点是，它将每个个体建模为一个粒子，个体作为带有位置、速度和流行病状态的粒子在2D地图上建模，根据COVID-19的实际数据进行校准，从而能够更真实地模拟疾病传播，以及抑制和缓解干预策略的影响。接触者追踪模块基于移动应用程序的使用，并存储每个粒子的接触者列表，这样，如果确定某个粒子被感染，则对列表上的所有粒子进行隔离或隔离。最有效的方法是检测和接触者追踪相结合的策略。
4、20201023-COVID-19 Spread in Saudi Arabia Modeling,Simulation and Analysis
在沙特阿拉伯建立了一个真实的个人联系网络，捕捉沙特阿拉伯个人的现实社会行为。然后使用SIR模型结合真实数据来模拟COVID-19的传播。该模型解释了个体接触行为的动态特性和个体间易感性的变化。该模拟模型可用于评估沙特采取的控制措施的有效性，去除相关节点之间的边缘，部分业务重新开放和正常业务导致在给定的节点集和给定的节点集之间添加，并设定特定的符合率，引入控制措施并预测沙特阿拉伯未来的疫情动态，发现关闭学校和清真寺对推迟疫情高峰和降低感染率的影响最大。该模型还被用于计算需要接种疫苗以阻止疫情的人数百分比。
5、20200806-Characterizing superspreading events and age-specific infectiousness of SARS-CoV-2 transmission in Georgia, USA
将个体监测数据与地理位置数据和集合流动性数据整合在一起，从而更细粒度地理解SARS-CoV-2的传播动态，分析了2020年3月至5月初乔治亚州5个县(城市和农村)的报告病例。在乔治亚州5个县中，超级扩张可能对农村地区产生主要影响。本文结果中表明前2%的病例(造成感染人数最多的病例)直接造成了约20%的感染。我们还发现，年轻组感染病例(<60岁)往往更具有传染性，并促进超级传播。采用后验方法，去计算超级传播，个体信息跨度较大。
6、202008-A data-driven network model for the emerging COVID-19 epidemics in Wuhan, Toronto and Italy
假设在没有真实接触者追踪数据的情况下，采用SIR模型探究异质性个体间的疾病传播，每个网络的节点度范围在1 - 10之间，即一个感染者平均每天有1 - 10个接触者，他们可以将感染传播给另一个人。分别拟合到中国武汉、加拿大多伦多和意大利三个地区。此外，个体在流行病期间的行为变化也会改变网络结构。当这种情况发生时，可以在模型中调整网络结构，预测这些变化对疫情阈值、疫情峰值、峰值时间、停止时间和最终感染人口规模的影响。
7、20210301-Predicting the effects of COVID-19 related interventions in urban settings by combining activity-based modelling, agent-based simulation, and mobile phone data
本文将人类移动模型、感染力学模型和以人为中心的疾病进展模型结合到流行病学模拟模型SEIR中。与其他模型不同的是，我们直接从数据中获取人（合成人）的动作，包括他们可以与他人互动的干预活动。该模型利用手机移动数据轨迹，被用于重现柏林的流行病。结果表明，可以很好地模拟柏林的第二次浪潮，其中休闲活动的户外部分具有明确的温度依赖性。然后使用该模型评估不同的干预策略，如关闭教育设施、减少其他户外活动、戴口罩或追踪接触者，并确定每次干预的再感染数字R的不同百分比变化
8、20200827-Simulation of the COVID-19 epidemic on the social network of Slovenia Estimating the intrinsic forecast uncertainty
采用基于网络的方法模拟病毒传播，详细的疾病进展模型与病毒传播模型相耦合，简化后的社会网络由200多万个节点（代表居民）组成家庭/护理中心集群，代表了斯洛文尼亚的人口和其居民的联系，并有家庭和外部联系的现实区别。当R的估计约为0.75时，感染在家庭内传播的可能性远远大于在家庭外传播的可能性。如果继续采取目前的干预措施，不采取额外的干预措施，5月底繁殖数量将开始急剧下降，这意味着病毒只会在部分家庭集中传播，这是有效的病毒控制。(没有移动数据)
1、202106-Changing Mobility Lifestyle: A Case Study on the Impact of COVID-19 Using Personal Google Locations Data
在本文中，作者基于来自 Google 位置服务的数据，通过揭示大流行前和大流行期间活动的地理模式，从空间角度描述了3个人在 COVID-19 大流行之前和期间三个月的行为变化，揭示COVID-19是否(以及在多大程度上)影响了人类的流动性。尽管它只评估了三个人，而且该研究不能充分代表，但它是可能以这种准确度进行数据处理的一个独特例子。结果显示，covid-19限制对作者的日常流动性强度有不同的影响，这与他们个人的工作-生活习惯密切相关。
Figure 1.在新冠肺炎大流行前和期间，三个人在国际（顶部）、区域（中）和城市一级（底部）的流动地点
2、20200914-Probabilistic and mean-fifield model of COVID-19 epidemics with user mobility and contact tracing
本研究的目标是基于多类型分支过程的已知概率模型提出一个详细的covid-19流行病的离散时间模型，并详细说明该模型的简单扩展，以捕获接触者追踪程序和用户移动性的影响。我们将这个模型与日常住院治疗的公共数据进行对比，并讨论其应用以及潜在的估计程序。建立模型的目的：它可以用来评估可用的时间序列，即所谓的接触率，进而评估用户流动性对流行病传播的影响。它还可用于监测平台，以推断特定亚群体（特别是感染者或免疫接种者的一部分）的状况，这是实施有针对性的检测运动的先决条件。
Figure 1:模型1中个体状态的状态图。虚线箭头表示新病例的污染：每个 A/P（resp. per I1/I2）个体每天新 E 病例的平均数是 αa (resp. αi)。
3、20210608-Modelling representative population mobility for COVID-19 spatial transmission in South Africa
在本文中，我们通过使用主成分分析和层次聚类，展示了不同分辨率不同来源的空间流动性数据如何导致关于空间单元连通性的不同结论。空间连接是空间建模中必不可少的第一步，它提供了空间单元之间的空间依赖性的量化。我们比较了使用不同的空间权重矩阵来量化不同的空间单位之间的关系，还讨论了不同来源的优势，以及如何在模拟病毒传播时利用它们。我们通过使用主成分分析来压缩可以从空间权重矩阵获得的信息，然后使用层次聚类来识别最强的空间关联，并从本质上展示空间权重矩阵所识别的关系类型。
Figure 4. Method 4 A. Spatial weights (weights ≤ 5 not shown), B. Complete linkage clustering (clusters indicated by colours)
4、20210816-Travelers-Tracing and Mobility Profifiling Using Machine Learning in Railway Systems
本文的主要策略是利用现有铁路系统中具有移动意识的旅客追踪传感器，包括 WiFi、射频识别 (RFID)、蓝牙、超宽带 (UWB) ，匿名收集不同年龄组的旅客数据并对其进行假名用于 AI 驱动的实时决策分析。本文提出了一种机器学习 (ML) 驱动的智能方法来管理 16-59 岁和 60 岁以上（弱势年龄组）的日常火车旅客，使用伦敦地铁和地面(LUO)网络推荐特定时间和路线、指定车厢、车站、站台和特殊服务。将LUO 数据集与各种 ML 算法进行比较，以对不同年龄组的旅行者进行分类，其中支持向量机 (SVM) 移动性预测分类在 16-59 岁和 60 岁以上年龄组中分别达到 86.43% 和 81.96%。
5、20200325-Stochastic modelling of the efects of human‑mobility restriction and viral infection characteristics on the spread of COVID‑19
在本文中，我们提出了一个基于锁定放松策略的时间、范围和模式的波状感染爆发的随机模型来证明平衡重新开放社会和实施尽量减少人际接触所需的非药物措施已经变得重要。在我们的模型中，当两个人并置在同一地点时，人们可以在一维网格上的离散位置之间移动，可能会感染病毒。模型具有三组可调参数，其特征在于 (i) 病毒传播、(ii) 病毒检测和 (iii) 个人流动程度，因此，它能够对二次传播的潜力进行定性评估。研究结果表明，全面封锁将产生最低的感染数量（正如预期的那样）。此外，当个人流动性超过临界水平时，感染会增加，并迅速达到完全取决于人口密度的平台期。如果没有超过 40% 的有症状患者的检测/隔离能力，则禁闭是无效的。最后，采取行动确保病毒传播概率低于 0.4，这在现实生活中可能意味着社交疏远或戴口罩等措施可能与软封锁一样有效。
Figure 1.(a)仿真示意图算法。
6、20200527-Evaluating How Smartphone Contact Tracing Technology Can Reduce the Spread of Infectious Diseases: The Case of COVID-19
为遏制或减少扩散而采取的一项常见措施是检测受感染的个体并追踪他们之前的接触者，然后选择性地隔离任何可能已被感染的个体。我们可以使用智能手机等移动设备以嵌入式定位和通信技术（如 GPS、蜂窝网络、Wi-Fi 和蓝牙）追踪收集其所有者的位置和联系人。本文首先评估和比较几种接触者追踪技术和获取接触者的相关方法，同时重点评估了智能手机接触者追踪如何影响 COVID-19 疾病的控制和传播。为此，我们创建了一个流行病模型，用于评估所采取措施的效率和成本（隔离人数），具体取决于所使用的智能手机接触者追踪技术。结果表明，为了对 COVID-19 疾病有效，接触者追踪技术必须精确，必须快速追踪接触者，而且很大比例的人口必须使用智能手机接触者追踪应用程序。这些严格的要求使得基于智能手机的接触者追踪在病毒首次爆发期间无法有效控制感染的传播。然而，考虑到第二波疫情，部分人口将获得免疫力，或者结合其他一些更宽松的措施，基于智能手机的接触者追踪可能非常有用。
Figure 1. 第一天前40个节点的联系网络图。a)真实联系人；b）蓝牙联系人。
7、20200709-How the individual human mobility spatio‑temporally shapes the disease transmission dynamics
本文中，我们将基于个体的SEIR模型与个体人类移动模型相结合，解决了个人人类流动如何在时空上影响传染病传播的问题。我们将人类流感在比利时和马提尼克这两个对比鲜明的国家的传播作为案例研究，以评估人类流动对感染传播的具体作用。为了跟踪感染的传播，我们引入了一个指标，“感染首次到达的时间 ”，以便从一个起源点开始的感染第一次到达另一个给定点。为了表征人类流动的景观，我们还基于地区之间的转换矩阵定义了“相对吸引力（RA）”。现在，我们研究个体人类流动性如何影响传播的目标相当于确定或构建和解释变量 RA之间的关系。结果发现，在这两种情况下都发现遵循作为 RA 函数的截断幂律，表明时空感染传播与宿主移动性景观之间存在一对一的关系。
Figure 1在比利时和马提尼克岛，一种不受控制的流行病的地理时间传播模式。
8、20200504-Containing COVID-19 Among 627,386 Persons in Contact With the Diamond Princess Cruise Ship Passengers Who Disembarked in Taiwan: Big Data Analytics
本文展示了大数据分析的独特应用，基于智能接触追踪的移动传感器数据，通过其他大传感器监控数据交叉验证，通过移动地理定位方法和快速分析识别了与2020年1月31日停靠在台湾基隆的钻石公主号游轮上3000多名乘客有过接触的627,386个潜在联系人。通过短信提供自我监测和自我隔离信息，并为有症状的接触者提供严重急性呼吸系统综合症冠状病毒(SARS-CoV-2)检测。国民健康保险声称将大数据与因肺炎住院并建议接受SARS-CoV-2筛查的患者的COVID-19 相关结果相关联。数据表明，具有智能接触者追踪功能的大数据分析、用于自我限制的自动警报消息以及使用健康保险数据跟踪与COVID-19相关的结果可能会减少传统流行病学接触者追踪所需的资源
9、20210415-Analysis of mobility data to build contact networks for COVID-19
本文概述了从移动数据中提取交互作用并构建可用于流行病学模型的网络的方法。提取了几种交互度量：人与人之间的交互，单个人的累积互动，以及发生在特定企业的累积互动。计算网络指标以识别结构趋势，这些趋势根据居家订单的时间显示出明显的变化。测量结果网络中的相互作用和结构趋势可用于更好地了解潜在的传播事件、可归类为密切接触的相互作用的百分比，以及控制传播的政策选择的影响。
Fig 10.使用接触网络的流行病学模拟结果。
二、群体
1、20210312-Impact of close interpersonal contact on COVID-19 incidence evidence from one year of mobile device data
在美国康涅狄格州，利用匿名移动设备地理位置数据对SARS-CoV-2人际密切接触者进行人群级监测的方法。用手机数据计算预估接触率（2米内），按居住地区汇总接触事件计数，以获得每个城镇居民每天经历的人际接触总强度的估计。在加上已感染的人数，就可以预估感染率，而且接触率正比于感染率，所以可以进行预警。当将接触率纳入COVID-19传播的易感暴露感染转移(SEIR)模型时，该接触率准确预测了康涅狄格州城镇在这段时间内的COVID-19病例。主要是利用个人数据计算接触率
2、20200715-Modelling the impact of testing, contact tracing and household quarantine on second waves of COVID-19
将匿名地理迁移数据与人口普查和人口统计数据相结合，构建了一个详细的基于agent的在波士顿都市区传播模型。在一段时间内严格保持社会距离，然后进行强有力的检测、接触者追踪和家庭隔离，可以将疾病控制在医疗系统的能力范围内，同时使经济活动得以重新开放。结果表明，在缺乏对SARS-CoV-2的群体免疫的情况下，基于加强检测和接触者追踪的应对系统可以在放松社会距离干预方面发挥重要作用。复合种群模型，agent就是具有自我意识的主体，一般用来做个体模拟群体。
3、20210127-Variation in human mobility and its impact on the risk of future COVID-19 outbreaks in Taiwan
在台湾利用Facebook的匿名移动地点（签到数据，数据并不连续，移动尺度也很大）来识别感染风险较高的城市和地区输入。开发了一个交互式应用程序（基于SIR模型），允许用户改变输入和假设，并显示疾病的空间传播以及不同初始条件下城际和城市间旅行减少的影响。城市内和城市间的移动都影响疫情动态，前者对病例总数的影响更大，后者影响地理范围。虽然文章说讨论的是个体差异， 但是其实文章中更多的是个体的综合（利用个体衡量地点传播概率），所以大部分还是群体层面的讨论
4、20210819-Serial interval of SARS-CoV-2 was shortened over time by nonpharmaceutical interventions
编制中国大陆1407对COVID-19传播对数据库，其中677对传播对的感染者和被感染者均有症状发病日期和社会关系（传播对数据还包含大多数感染者的年龄、性别、家庭和隔离延迟(即从症状出现到隔离的时间)的信息。这就允许了粒状的分层。），发现COVID-19的平均序列间隔在一个月内(2020年1月9日至2月13日)从7.8天大幅缩短至2.6天。这一变化是由加强的非药物干预，特别是病例隔离推动的。我们还表明，与使用常规固定的序列间隔分布相比，使用允许随时间变化的序列间隔实时估计可以提供更准确的繁殖数量估计。这些发现可以提高我们评估传播动态、预测未来发病率和估计控制措施影响的能力。
5、20210325-Human mobility and poverty as key drivers of COVID-19 transmission and control
利用以色列的2630个地区内和之间的300万用户的匿名移动数据，构建基于年龄风险区域结构的分室模型SEIR（个人数据计算平均出行次数），对每个年龄组的个体进行高低风险分类，研究结果提出干预策略应主要侧重于保护疫情地区的老年人和有潜在疾病的个人；发现SARS-CoV-2更有可能在更贫困的地区传播，低社会经济地位的人面临更高的风险，并受到人类流动的影响。因此应投入更多资源帮助贫困地区。采用以老年人为重点的暂时和局部封锁。
6、20210120-Modelling and predicting the effect of social distancing and travel restrictions on COVID-19 spreading
基于SIR引入了一个基于时间网络的复合人群模型，校准了意大利COVID-19疫情数据，并用于评估模块间以及模块内部个体流动，评估封锁和限制个人活动的影响，以评估不同的npi的有效性，不同的时间和严重程度。结果表明，流动限制的影响在很大程度上取决于在疫情爆发的早期阶段及时实施国家传染病监测的可能性，而减少活动的政策应在疫情爆发后优先考虑。
7、20210329-The effectiveness of social bubbles as part of a Covid-19 lockdown exit strategy, a modelling study
我们对一个与英国相似的合成人口使用了基于个体的模型，将传播风险分为来自社区、家庭内部和来自同一社会泡沫中的其他家庭。基本情况考虑非必需商店和学校关闭的情况，第二次家庭攻击率为20%，初始复制数为0.8。我们模拟了包括孩子在内的家庭、单人居住家庭和所有家庭的社会泡沫策略(两个家庭组成一对单独的家庭)。将家庭外接触者聚集成单独的气泡是增加接触者的有效策略，同时限制流行病风险的相关增加。在基本情况下，与非聚集性接触增加相比，社会泡沫减少了42%的死亡人数。我们发现，如果所有家庭都形成社会泡沫，生殖数量可能会增加到R=1的流行阈值以上。分析强调了继续保持社交距离的必要性，尽管社交泡沫战略是扩大接触、同时限制病例复发风险的一种有效方式。建议只向那些特别难以应对封锁的人推荐社交泡沫，同时通过优先安排户外聚会，尽可能减少传播的机会，并尽可能坚持保持距离的建议，可在尽量减少对心理健康的影响和尽量减少病例死灰复燃的风险之间取得有效平衡。
8、20210721-Infectious disease dynamics in metapopulations with heterogeneous transmission and recurrent mobility
描述了一个具有循环迁移模式的混合种群上的离散SIS动力学的完整马尔可夫方程组，方程描述了整个系统中感染个体数量的时空演化，并与广泛的基于agent的模拟结果显示了良好的一致性。在计算上，迭代方程比模拟要快几个数量级，还允许得出关于流行病、流动性和复合人口内部联系结构之间相互作用的分析结果。在接近疫情阈值时，疫情主要由超级传播者和超级传播者之间的联系维持，而由于人类流动导致的底层连通性分布同质化，导致超级传播者之间的联系减弱。在临界状态下观察到的流行病危害在超临界状态下是相反的，在超临界状态下，流动性增加了流行病流行，因为它增加了几乎没有联系的个人的潜在传染性接触的平均数量。
9、20210319-The social cost of contacts Theory and evidence for the first wave of the COVID-19 pandemic in Germany
在流行病学SIR模型的基础上，我们提出了一个具有异质性个体的经济-流行病学模型，该模型从社会接触中获得效用，从而产生感染风险。以易感染个体的社会距离为重点，主要贡献是用德国从COVID-19大流行开始就社会距离和不纯利他主义的独特调查数据校准模型，量化了这一差距。单纯的自私行为不会导致接触人数的初始急剧减少，但也会达到准稳定的感染水平，即每10万人中约有10人感染。不纯的利他行为，尽管私人和社会接触的成本之间存在相当大的差距，但私人的自我保护措施和保护他人的措施可以显著有助于缓解社会成本问题。（数据包含调查和手机移动数据POI、出行次数）
10、20201005-Predicting Onset of COVID-19 with Mobility-Augmented SEIR Model
开发了流动性增强SEIR模型(MA-SEIR)，该模型利用谷歌的聚合和匿名流动性数据（各类场所的流动）来增强经典的分室模型。预测其随后在不同地理区域的传播和发病。通过量化地方和全球人口移动方式的重大变化，这为了解近实时总体移动数据在疾病传播建模中的作用提供了依据。还通过模拟不同的流动性情景，说明了该方法用于估计流动性减少或增加对COVID-19传播的影响。
11、20210217-Reduction in mobility and COVID-19 transmission
开发了一个框架来推断流动性和人口水平传播的关键度量——有效繁殖数量，描述了全球52个国家的传播和流动性之间的关系。在分析的73%的国家中，随着流动性的初步减少，传播显著下降，但在80%的国家放松严格的控制措施后，传播和流动性解耦的证据。对于大多数国家来说，流动性在很大程度上解释了传播率的变化。在严格控制措施放松前后，流动性与传播之间关系明确的国家，在控制措施放松后，流动性与较低的传播率相关，这表明持续的社会距离行为的有益影响是巨大的。
12、20210111-Alternating quarantine for sustainable epidemic mitigation
我们在此提出一种交替隔离策略:在每一种情况下，一半人口仍处于封锁状态，而另一半人口继续活跃——保持每周连续活动和隔离之间的常规。这种方法最大限度地减少了传染性相互作用，因为它只允许一半的人口在一半的时间内相互作用。因此，尽管社会经济的连续性维持在大约50%的能力水平，但这一举措大大减少了传播，与全人口封锁所实现的效果相当。每周交替也有助于应对COVID-19的具体挑战，因为其周期与SARS-CoV2疾病的自然时间尺度同步，使大多数感染者能够在感染高峰时被有效隔离。
13、20200330-Evaluating the effectiveness of social distancing interventions against COVID-19
采用四种社交距离干预措施(不同年龄的不同类别人)，SEIR模拟表明只有社会距离干预涉及所有年龄组的人口将大幅减少病例数和延迟最流行。然而，在成人人群中，接触率仅减少25%(加上老年人的95%)，就可以将住院人数和死亡人数减少90%以上。此外，仅减少60岁以上成年人的接触率就能产生相当大的影响，使住院和死亡人数减少30%以上。然而，我们的模拟表明，即使在更乐观的情况下，所有年龄组的接触率都降低了85%以上，一旦取消社交距离干预措施，疫情也将反弹。结果突出了社会距离干预时机的重要性相对于流行病曲线而言如果干预措施在疫情早期到位(并取消)，就会导致疫情延迟，但如果干预措施较晚实施，就会导致曲线变平。事实上，干预的有效性将取决于干预开始时易感、感染和康复人群的比例。感染期是一个关键参数，它对流行病的建模速度以及所考虑的干预措施的有效性具有非凡的影响。
14、20201230-State-specific projection of COVID-19 infection in the United States and evaluation of three major control measures
在本研究中，开发了一个基于旅行网络的易感暴露感染去除(SEIR)数学分区模型系统，纳入了州际旅行者的流入和流出，同时描述了51个地区(50个州和哥伦比亚特区)感染的时空动态。建模显示，当疾病已经广泛传播时，限制州际旅行将不会有什么不同。与此同时，提高检测能力(有助于及早发现感染者并迅速隔离)和严格的社会距离和自我隔离规则，是缓解疫情的最有效措施。建模还产生了特定于状态的信息。减少传播的干预措施，如社会距离政策和就地避难规则，以及提高检测率，有助于在接触后立即隔离，将显著减少感染人口总数。例如，对于纽约州和密歇根州，需要在2天内隔离接触病毒的人，以防止大范围爆发，而对于其他州，这段时间可以是3.6天。
15、20200423-Effect of non-pharmaceutical interventions to contain COVID-19 in China
利用COVID-19的流行病学数据和移动数据，开发了一个建模框架（SEIR），使用每日旅行网络来模拟中国各地不同的爆发和干预情景。我们估计，截至2020年2月29日，中国大陆共有114325例COVID-19病例(四分位数区间为76776 164576)。如果没有非药物干预，预计到2020年2月29日，病例数将增加67倍(四分位数区间为44 - 94倍)，发现不同干预措施的有效性存在差异。估计早期发现和隔离病例比限制旅行和减少接触预防了更多的感染，但非药物干预措施的结合取得了最强烈和最迅速的效果。根据模型，如果保持社会距离干预措施，从2020年2月17日起取消旅行限制并不会导致中国各地病例的增加，即使个人之间的接触减少了25%，这一有限水平将持续到4月底。
16、20210329-Exploring the influence of human mobility factors and spread prediction on early COVID-19 in the USA
基于COVID-19监测数据和人员流动数据（谷歌数据），本研究通过构建考虑封锁和蔓延因素的SIRD模型，预测了2020年7月27日至2021年1月22日美国国家和州区域行政单位的流行趋势。结果:(1)疫情在美国的传播具有地理邻近性的特点。(2)封城期间，新冠肺炎病例数与居民在公园等休闲场所的活动存在较强相关性。(3)美国早期流行的转折点(活动性感染病例高峰期的时间点)预计发生在9月。(4)疫情最严重的10个州中，纽约州、新泽西州、马萨诸塞州、得克萨斯州、伊利诺伊州、宾夕法尼亚州和加利福尼亚州预计都将在7 - 9月集中出现拐点，乔治亚州的拐点预计在12月。在预测期内，佛罗里达和亚利桑那州没有出现拐点，感染病例数量仍将迅速增长。
17、20210217-Reduction in mobility and COVID-19 transmission
开发了一个框架来推断流动性和人口水平传播的关键度量——有效繁殖数量，描述了全球52个国家的传播和流动性之间的关系。在分析的73%的国家中，随着流动性的初步减少，传播显著下降，但在80%的国家放松严格的控制措施后，传播和流动性解耦的证据。对于大多数国家来说，流动性在很大程度上解释了传播率的变化。在严格控制措施放松前后，流动性与传播之间关系明确的国家，在控制措施放松后，流动性与较低的传播率相关，这表明持续的社会距离行为的有益影响是巨大的。
18、20200603-Quantitative Relationship between Population Mobility and COVID-19 Growth Rate based on 14 Countries
本研究建立了一个框架，量化社会距离导致的人口流动变化对COVID-19感染增长率的影响。利用易感-感染-恢复(SIR)流行病学模型，假设COVID-19感染的增长率是人口流动的函数，这导致了一个统计模型，预测COVID-19死亡的增长率作为人口流动的延迟函数。我们根据14个国家的公开数据拟合了提出的统计模型，公共可用的谷歌流动性指数(GMI)被用来衡量国家一级的人口流动性。结果表明，COVID-19死亡增长率可以作为GMI过境类别的二次函数准确估计20天前。关键流动性的估计为covid -19前流动性的36.1%至47.6%。本文建立的定量关系表明，如GMI等现成的人口水平指标可以作为COVID-19流行进程的有用指标。
19、20210115-Global and local mobility as a barometer for COVID‑19 dynamics
研究了流动性和COVID-19动态之间的耦合关系，使用具有网络结构的完善的易感暴露传染性恢复SEIR分室模型，并在代表单个国家的节点水平上评估局部疾病动态，以解释不同规模的人类活动。研究显示，驾驶流动性和疾病动态之间的相关性最大，滞后时间为14.6±5.6天，当地人口流动的趋势使我们能够在两周的时间内预测COVID-19的爆发动态，并实时调整当地控制策略。
20、202012-The introduction of population migration to SEIAR for COVID-19 epidemic modeling with an efficient intervention strategy
本文建立了传染病的数学模型。提出增强模型SEIR(易感暴露感染恢复)模型，该模型的灵感来自无症状感染者以及人口移动在病毒传播中发挥的关键作用。在模型中，比较了干预政策影响下的感染数和基本繁殖数。模拟结果显示，需要采取一些干预措施来控制COVID-19的传播。居家隔离减少了人与人之间的接触，可有效降低传播率和感染人数。如果及早采取控制人际接触的措施，病毒的传播就会得到更快的控制。此外，不能过早地终止这些措施。迁移速率研究的实验结果也证明了实现迁移控制的重要性。
21、20200716-Modeling future spread of infections via mobile geolocation data and population dynamics. An application to COVID-19 in Brazil
在这项工作中，基于巴西数百万匿名移动访问数据，我们调查了COVID-19在巴西各州最有可能的传播模式。模拟疾病传播的复合种群模型与一个标准SI模型耦合在一起，以评估各州内每个城市的感染风险，根据疾病将感染每个城市的时间进行排名。我们观察到，尽管高危地区是疫情开始的首都城市，但也有农村城市的风险很大，特别在圣保罗。
22、20210211-Changes in local travel behaviour before and during the COVID-19 pandemic in Hong Kong
在这项研究中，我们利用从地铁公司(地铁公司)系统获得的智能卡每秒数据，分析了2020年1月1日至3月31日期间香港不同人口群体的本地出行行为的变化。受疫情影响，工作日、星期六和星期日的本地客流量分别减少43%、49%和59%。由于学校关闭，学生和儿童乘坐地铁的次数减少最多，而成年人和老年人乘坐地铁的次数分别减少了42%和48%。在非大流行周和大流行周之间，成人和老年人本地旅行行为的变化大于工作日和周末之间的变化，但儿童和学生的变化则相反。在大流行期间，当地的旅行行为变得更加频繁。利用mtr（ Mass Transit Railway）的日常使用数据可以很好地预测7 - 8天后感染传播的严重程度。
23、20210308-Real-time tracking and prediction of COVID-19 infection using digital proxies of population mobility and mixing
在目前COVID-19大流行中，人类流动和数字代理混合已被用于监测病毒的传播性和社会距离干预措施的有效性。开发了一个新的框架，用特定年龄的数字移动数据(香港八达通卡出行数据)参数化疾病传播模型。通过将该模型与香港的病例数据拟合，我们能够近实时准确地追踪本地COVID-19的有效复制数量，可以获得COVID-19流行病的准确实时预报和预测。
24、20200331-An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China
采用武汉到其他城市的流动量，发现武汉停运与其他城市新冠肺炎疫情延误2.91天有关。与较晚开始控制的城市(20.6)相比，提前实施控制措施的城市在疫情爆发的第一周报告的病例平均较少(13.0例)。模拟如果不实行应急措施和武汉禁行的命令（实行武汉禁令影响流动性），在2月19日(第50天)预估会产生74.4万例，与实际相比避免了几十万例病例。
25、20200912-Mobile device data reveal the dynamics in a positive relationship between human mobility and COVID-19 infections
使用移动设备定位数据，每日更新美国3141个县的OD旅行需求分析和流动流量，通过一个时变系数的联立方程建模过程，刻画了人口流入和感染人数之间的量化的正关系，在整个研究期间，锁定组的系数始终高于重新开放组的系数，表明锁定县的流动流入存在更高的风险。全国平均系数为0.243，表明如果今天观察到的流入人口增加了10%，在其他条件相同的情况下，预计一周后感染人数将增加2.34%(即模型滞后= 7)。这种正相关关系在COVID-19发病期间急剧增加，然后在国家逐渐进入锁定状态时减弱。在重新开放发布大约两周后，它开始反弹。
26、20210613-Revisiting the Effects of High-Speed Railway Transfers in the Early COVID-19 Cross-Province Transmission in Mainland China
旨在评估大陆铁路客运对COVID-19早期空间传播的影响。使用每日铁路班次数据来衡量城际人口流动模式OD，武汉封锁对铁路运输的影响是通过目的地到达和换乘活动来衡量，使用的是城市到城市的网络指标。结果表明武汉封城后转移活动增加的省份确诊病例更多，但目的地抵达量的变化没有显著影响。这意味着虽然武汉封城不会对铁路旅客的目的地造成影响，但由于中国铁路运输网络中重要的换乘枢纽(武汉)的更换，铁路旅客的旅行路线可能会发生变化。高铁网络的换乘服务可能是湖北周边省份新冠肺炎确诊病例数量高于其他省份的另一个可能原因。
27、20210401-The relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy
利用意大利不同地理尺度的数据，研究了人口流动性与COVID-19传播之间的关系。利用2020年2月至9月的移动电话数据（OD），发现流动减少与繁殖数量之间存在显著关系，封锁流动性并使净繁殖数低于临界阈值1大约需要一周的时间。在封锁导致流动性下降之前，超过这一阈值的天数与每10万居民的总感染人数之间存在很强的关系。在估计流动对净繁殖数量随时间变化的统计影响时，记录了一个滞后两周的正关联，在3月和4月表现强劲，6月表现较弱但仍然显著。
28、202101-A city cluster risk-based approach for Sars-CoV-2 and isolation barriers based on anonymized mobile phone users’ location data
本文提出了一种基于巴西伯南布哥州192个城市从2020-01-01到2020-03-31之间匿名手机用户位置数据的城市间人口流动（OD）估计方法。风险措施包括分析聚集性病例传播的严重程度，可以对其进行排名，从而可以对一些集群进行隔离。在得到的人口流动网络中，考虑了加权有向图，使我们能够分析第一次人口流动政策实施前后的影响数据。
29、20200511-Social Distancing is Effective at Mitigating COVID-19 Transmission in the United States
采用OD矩阵分析集中美国25个县的流入流出，结果表明美国国内的社交距离正在减缓COVID-19的传播，滞后效应为9到12天，当外推到州的水平时，同样的结果显示是成立的。
30、20201215-Quantifying the importance and location of SARS-CoV-2
将实时匿名的地理移动数据（类似于POI 个体代表群体）与纽约市和西雅图大都会区的人口普查和人口统计数据相结合，构建了一个详细的基于agent的SARS-CoV- 2传播模型。目的是估计在哪里、何时以及有多少传播事件在第一波大流行期间发生在这些城市地区。我们估计，大多数感染(80%)是由少数人(27%)产生的，大约10%的事件可以被视为超级传播事件，即产生超过8次继发感染。但我们发现第一波的大部分传播发生在工作场所、杂货店或食品场所等较小的事件中。3月份在大城市地区引入的大多数npi有效地显著减缓了COVID-19第一波疫情。然而，关闭学校、企业、工作场所和社交场所，给经济和社会造成了巨大的损失。
31、20210526-Spatiotemporal contact density explains the disparity of COVID‑19 spread in urban neighborhoods
研究了纽约市和芝加哥的总体流动模式，以确定城市社区中人们之间的人际接触量与这些群体中阳性病例增长的差异之间的关系。引入了一个累计时空接触密度指数(CDI)，利用从手机收集的移动数据（GPS）来衡量这种人际接触的强度，并将其与社交距离指标相结合，以显示其对正病例增长的影响。在结构方程建模的帮助下，发现CDI对病例增长的影响始终是正的，并且在低收入社区中始终较高。使用CDI，学校和餐馆被确定为接触密度高的行业，估计表明，对这些POI类别实施特定的流动性限制是最有效的。
32、20201113-Community movement and COVID-19 a global study using Google’s Community Mobility Reports
利用谷歌社区数据（整合成POI）建模，目的是检查covid -19确诊病例数和流动性水平之间是否存在明显的关联，在北美、西欧、俄罗斯和澳大利亚，疾病发生率和流动性之间明显的负相关关系特别明显。在COVID-19病例发病率等领域，表明社会活动和流动性、零售和娱乐、杂货店和药房、工作场所和交通水平的CMR类别明显减少公园和住宅活动随着COVID-19发病率的增加而增加。具体国家的社会经济或文化因素可能会影响流动水平。尽管这是一种概括，但那些负相关性最强的国家往往被归类为发达国家。在许多国家，流动性的减少似乎在实施对流动性的法律限制之前就出现了，这表明个人感知的感染风险和个人行为改变的重要性，而不是政府法令。
33、20201221-A longitudinal study of the impact of human mobility on the incidence of COVID-19 in India
这项研究旨在调查谷歌数据在印度的杂货店、零售店、公园、工作场所、住宅和中转站中，哪一类地方人的流动模式与COVID-19的发病率更相关。研究发现，前往杂货店(食品和蔬菜市场、药店等)和零售店(餐厅、咖啡馆、购物中心等)的流动性与COVID-19的发病率显著相关(p < 0.01)。发现低密度的开放空间(公园，中转站和居民社区内)对病毒传播没有显著影响。像上班通勤这样的经济活动，有社会距离和戴口罩等预防措施，不会导致病例增加。
34、20210715-Human Activity and Mobility Data Reveal Disparities in Exposure Risk Reduction Indicators among Socially Vulnerable Populations during COVID-19
在本研究中，检查了来自两个不同和互补数据集的匿名流动性数据和人口活动数据，以衡量COVID-19病毒暴露风险指标的三个指标:(1)在邮政编码传输(2)在POIs接触和(3)以前接触POIs传播回到家里五城市地区，利用人口活动数据建立CBG(人口普查块分组)-POI网络，记录来自不同家庭的总POI访问次数。三个暴露风险指标支持实施npi后社会弱势群体暴露风险较高。低收入居民和某些种族和民族群体，特别是美国印第安人或阿拉斯加原住民、太平洋岛民、黑人和亚洲人口，在邮政编码范围内降低暴露风险的能力较弱、低收入和高少数民族比例家庭的POI访问风险更大。
35、20200603-Statewide COVID‐19 Stay‐at‐Home Orders and Population Mobility in the United States
根据谷歌移动数据，到2020年3月底，每个州前往中转站、零售和娱乐设施、工作场所、杂货店和药房的人数都比前两个月大幅减少。各个目的地类别的到访率平均下降了约30%，在没有居家命令的州和有居家命令的州分别为40%和30%。同样，在大城市，苹果收到的公共交通、步行和驾驶的路由请求较少，而在全州范围内的居家命令下，大城市地区的平均降幅是10%。即使在没有旅行限制的州，疫情也导致人口流动大幅减少，但全州范围的命令是有效的公共卫生政策工具，将人类流动减少到通过自愿行为改变实现的水平以下。
36、20210319-The Role of Population Mobility and Non-Pharmaceutical Interventions on COVID-19 Infection A Canadian Case Study of Granger-Causal Relationships
本研究旨在分析加拿大6个省非药物干预、人口流动趋势和COVID-19病例之间的时间方向和相关性，我们使用了总体水平的数据（谷歌POI数据和苹果交通数据），检验了COVID-19每日病例、新冠肺炎疫情实施时间和水平与流动性趋势之间的双向预测因果关系。与封锁和关闭相关的npi在平均11天后影响到向非居民区的流动性降低，从而增加了居民流动性。针对卫生系统干预措施(如口罩和检测政策)与每10万人的每日病例没有因果关系，这些npi不是直接针对限制流动性的，我们承认它们在减少感染方面的作用可能被本研究中未考虑的其他因素掩盖了。还发现，流动趋势也受到COVID-19病例的影响。每日新冠肺炎病例与非传染性疾病之间的关系尚不清楚。
37、20201026-Movement and risk perception evidence from spatial analysis of mobile phone-based mobility during the COVID-19 lockdown, Nigeria
利用了封锁开始至结束期间基于移动电话的移动数据和新病例数量。这项研究在州的水平上考察了不同地方类别的时空趋势。零售和娱乐(RtRc)、杂货店和药房(GrPh)、公园和交通枢纽(Trst)的场所类别的流动性分别下降了56%、57%、65%、75%、38%。大多数州的人口流动呈上升趋势，流向工作场所、零售和娱乐场所。谋生的需要比呆在家里和安全的需要更为迫切。需要更高的分辨率和多维数据来确定这在不同人群中是如何发生的。
38、20200612-State heterogeneity of human mobility and COVID-19 epidemics in the European Union
基于谷歌和苹果数据，模拟了2020年1月15日至5月9日期间27个欧盟国家的人员流动和COVID-19流行的时间趋势。2019冠状病毒病(COVID-19)和人员流动有3个趋势段，其中COVID-19日发病率呈上升趋势，大部分人员流动呈下降趋势。与距离意大利较远的欧盟国家相比，全国范围的封锁日期更有可能与距离意大利较近的欧盟国家的人员流动转折点有关，这些转折点也更有可能与COVID-19疫情的第二个转折点有关。在调查的人员流动性中，驾驶流动性的第二个转折点和公园流动性的第一个转折点是将封锁日期与离意大利更近的欧盟国家的COVID-19疫情联系起来的最佳因素。因此，政策制定者可以考虑利用公园出行的第一个拐点和驾驶出行的底部/第二个拐点来监测全州封锁的影响，并预测COVID-19日发病率的峰值。
39、20200608-Influence of population mobility on the novel coronavirus disease (COVID-19) epidemic based on panel data from Hubei, China
采用百度地图城市间流动数据，探讨了人口流动对COVID-19传播的影响。从武汉到湖北其他城市的人员在11-12天内确诊的可能性更高。16个地级市在“封城”后第12天，确诊病例和发病增量均有明显下降。研究发现，人口流动是新冠肺炎疫情传播的驱动因素，湖北省1月启动的封城行动有效缓解了疫情。因此，社交距离和旅行等策略为抗击新冠肺炎疫情，应鼓励实施不少于12天的隔离措施。
40、202007-Human Mobility, Policy, and COVID-19 A Preliminary Study of South Carolina
使用带有地理标签的Twitter数据作为数据源，并以南卡罗来纳州为研究案例，在州和县两级探索和可视化covid - 19大流行期间的人员流动变化和人口流动。进一步研究了人员流动、国家政策和COVID-19病例之间的潜在关联。3月中旬宣布的紧急状态和4月初的家庭或工作命令对南卡罗来纳州的人员流动产生了直接影响。4月中旬每日新增病例减少，5月每日新增病例相对较低，表明流动人口减少。人口流动性的增加与COVID-19病例数呈正相关关系，且在州和县两级均有延迟效应。总体而言，宣布紧急状态、家庭或工作命令，以及其他减少流动的措施的执行是有效的
41、20200618-Population flow drives spatio-temporal distribution of COVID-19 in China
本文使用了2020年1月1日至1月24日期间离开或通过武汉地区前往中国大陆296个州的个人的11,478,484个移动电话数据。首先，我们记录了隔离在停止流动方面的效力。第二，从武汉流出的人口分布准确预测了截至2020年2月19日中国大陆冠状病毒(SARS-CoV-2)感染的相对频率和地理分布。第三，开发了一个时空风险源模型，利用人口流动数据，不仅可以预测确诊病例的分布，还可以在早期阶段识别具有高传播风险的地区。第四，利用该风险源模型，以武汉人口外流为基础，统计得出新冠肺炎疫情的地理传播和增长模式;该模型产生了一个基准趋势和一个指数，用于评估不同地点随时间变化的COVID-19社区传播风险。任何拥有现有数据的国家的决策者都可以使用这种方法，以便在持续暴发疫情之前进行快速和准确的风险评估，并规划有限资源的分配。
42、20210411-Monitoring the COVID-19 epidemic with nationwide telecommunication data
分析基于电信数据获得的第一波COVID-19浪潮(2020年2月10日至4月26日)期间瑞士15亿人次的大规模颗粒状的人类移动数据（被处理成邮政编码级的州际数据）。通过三种不同的出行方式(火车、公路、铁路)以及两种不同的出行目的(通勤者与非通勤者)分析，某一天的人的流动性预测了13天前报告的病例7例，人的流动性减少1%，预计每日报告的COVID-19病例将减少0.88 1.11%。流动性预示着在整个预测期内报告的新病例数量将会下降。对于较长的预测，预测的下降幅度更大。这一结果是可以预期的，因为较长的时间窗口容纳了潜伏期的完整分布。
43、20201022-How Urban Factors Affect the Spatiotemporal Distribution of Infectious Diseases in Addition to Intercity Population Movement in China
本研究利用百度定位服务数据中的大量城际流动数据，探讨城市因素和人口外流对中国疫情传播的影响。武汉人口外流的影响最为显著，其次是人口规模、GDP和人口密度。流出武汉人口每增加1个单位，累计确诊病例预计增加0.488例。人口规模、GDP和人口密度每增加一个单位，累计确诊病例数预计将分别增加0.244 。数据分析框架可推广到其他捕获城市间人口流动的数据集。由于特大城市地区各城市之间流动大且频繁，在疫情发生期间，特大城市地区可能面临比其他地区更大风险。这些地区可以协同利用城市间旅行大数据管理城市间人口流动，控制传染病
44、20200412-Synchronized travel restrictions across cities can be effective in COVID-19 control
我们旨在研究城市间和城市内的人口流动（百度地图数据）与COVID-19传播的关系。并估计当地旅行限制对流行病控制的影响。结果显示，湖北以外城市实施的旅行禁令共预防了1960例占观察病例总数的22.4% ，在武汉封锁后的两周内更及时的旅行禁令将使同期确诊病例数进一步减少15.7% 1378例。因此，除封锁一个疫情城市外，及时实施其他城市的城际和同城旅行禁令，可以有效控制疫情。虽然不同城市的实际出行控制措施可能有所不同，但只要缩短武汉与其他城市之间的时间差距，就可以进一步减少疫情。
45、20210618-Mobile Phone-Based Population Flow Data for the COVID-19 Outbreak in Mainland China
收集并公布了一个从国家层面的手机中提取的匿名的、聚集的移动数据集，描述了武汉人口的流出。我们评估了人口流动和病毒传播之间的相关性，2020年1月1日至22日，全国共有2020万高危人群从武汉向其他地区流动。在疫情爆发的最初几周，来自武汉的高危人群的主要目的地要么是与武汉相邻的地方城市，要么是与湖北相邻的省份。武汉在封城前的流出量与目的地城市确诊病例数有很强的相关性，确定了高危人群接收人数最多的区域。高危人群的流动与病毒传播密切相关。
46、20200624-Quantifying the influence of inter-county mobility patterns on the COVID-19 outbreak in the United States
本研究聚焦于美国所有县之间的人口流动及其对美国COVID-19传播的影响，考察县与县之间的旅行如何加剧COVID-19，这项研究基于大规模的人口流动，利用了来自1亿多匿名设备的综合移动位置数据。首先研究了全国县际流动的时间趋势和空间分布。然后放大美国疫情爆发的中心纽约市，并评估其外流对其他县的影响。最后在县一级建立了一个对数线性双风险模型，以量化县间流动引入的外部风险和定义为县内高风险表型人口脆弱性的内部风险的影响。
47、20201111-Geographic pattern of human mobility and COVID-19 before and after Hubei lockdown
本研究探讨了旅行限制对人类流动和COVID-19确诊病例的时空格局的影响。基于记录的人口流动和百度流动（中国364个主要城市(即从A市出发的前100个目的地和进入A市的前100个目的地)的城市间流动），估算了2020年1月1日至2月11日期间中国许多城市人口流动的地理格局，封锁后无论从哪个地方出发，人员流动都有比例下降，但湖北目的地明显低于非湖北目的地。除了城市封锁的基线模型外，还探索了1月28日和2月6日之前/之后的COVID-19潜伏期的时间滞后效应。模型假设的潜伏期为5天，比基线和14天模型更好地区分了COVID-19病例的差异。武汉封锁后的聚集性疫情与武汉周边湖北东部地区的人口流动模式有一定关系。这项研究揭示的地理格局证实了超级传播者的存在，他们在早期阶段负责区域传播，在后期导致局部暴发。
48、The impact of government measures and human mobility trend on COVID-19 related deaths in the UK
该研究利用驾驶、步行和交通的实时数据，调查政府控制措施对减少人的流动性的影响，以及人的流动性趋势和严重的COVID-19结果之间的联系。随着政府宣布采取更多措施，人员流动逐渐减少，并在实施封锁后稳定在80%左右，减少人的流动性对减少与covid -19相关的死亡有显著影响，还可能需要采取一定程度的旅行限制和社交距离措施，以继续降低英国COVID-19传播卷土重来的风险。以及可能需要实施限制公共交通和车站乘客数量的措施，以遵守社交距离措施。
49、20200903-The interplay of spatial spread of COVID-19 and human mobility in the urban system of China during the Chinese New Year
本研究利用同步的疫情数据和人员流动数据，并结合其他多来源数据，探讨了中国319个城市中冠状病毒传播与城市间和城市内（人均出行次数）流动之间的相互影响。结果表明，在中国城市系统中，疾病的传播过程包括春节前的主要转移(城市间)扩散和春节后的局部(城市内)扩散。城市间疾病发病率的变化主要是由来自疫情中心武汉的城市间流动驱动的。离疫情中心越近、城市人口越多的城市发病风险越高。温暖潮湿的天气有助于减缓COVID-19的传播。如果旅行人数增加10%，居住在城市地区的人口比例增加1个单位(1%)，预计该城市的感染病例数量将分别增加约7%和1%。绝对湿度每增加一个单位，城市的新病例数就会减少4%。中国广泛的城市间和城市内旅行干预措施分别减少了约70%和40%的城市间和城市内流动，通过最大限度地减少人与人之间的传播。
50、20200717-Anonymised and aggregated crowd level mobility data from mobile phones suggests that initial compliance with COVID-19 social distancing interventions was high and geographically consistent across the UK
使用两个基于手机的数据集(来自匿名和聚集的人群水平数据和来自手机上的Facebook应用程序的数据)来评估平均流动性的变化，包括总体和分解成高和低人口密度地区，以及旅程长度分布的变化。结果:流动性整体大幅下降，其中下降最快的是2020年3月24日，也就是总理宣布实施强制封锁的第二天。在英国，流动性的下降是高度同步的。尽管自2020年3月26日以来流动性一直很低，但之后流动性逐渐增加。两个不同的数据集产生了相似的趋势，尽管有一些特定位置的差异。我们看到高密度地区的平均流动性比低密度地区略大，高密度地区的流动性变化更大:一些高密度地区几乎消除了所有流动性。
51、202011-COVID-19 spread and inter-county travel Daily evidence from the U.S
本文研究了2020年1月21日至2020年9月2日这段时间内，在居住在同一县(或较少前往其他县)的人口比例较高的县，COVID-19病例和死亡人数都较低。基于正式估计结果的反事实分析表明，留在同一县有可能将美国每周新冠肺炎病例和死亡人数分别减少139,503人和23,445人。在县一级，留在同一县有可能在县之间减少2至209例COVID-19病例，并有可能将县之间的COVID-19死亡人数减少至35人。这意味着待在同一县(即减少跨县旅行)将有助于抗击COVID-19。
52、20201106-COVID-19 pandemic-related lockdown response time is more important than its strictness
分析了来自世界各地许多国家的苹果用户的移动电话使用量，以量化国家特定的封锁特征，如社交距离开始时间、封锁时间、封锁严格程度、封锁持续时间和封锁释放率，将不同的特征与每个国家观察到的死亡率交叉。分析表明，开始保持社交距离的时间具有关键的长期影响:封锁开始时间延迟7.49天，预计死亡人数将增加一倍。这与其他参数形成鲜明对比，如封锁严格程度对死亡率的影响微不足道。实施了非常严格封锁的国家，只要在首次事件记录后尽早开始保持社交距离，就可以获得类似的死亡率数字，但出行限制不那么严格
53、20200418-The covid-19 pandemic government vs community action across the united states
本文旨在通过研究州和县一级的封锁政策与个人身体距离行为之间的相互作用，填补这一空白，使用基于美国4000万台智能手机的数据集，并结合州和县一级政府政策的详细数据。通过这种方式，发现封锁政策会使人们在家的时间增加39%，但在没有任何此类政策的情况下，人们也会在更有限的程度上减少社交互动。通过记录，在高度城市化的地区，对科学比较信任、教育程度更高、收入更高或机构更强大的地区，人们对病毒爆发的反应更强烈，总之，这些发现强烈表明，以社会经济为目标的限制性较低的遏制政策可能比全面封锁更能遏制疫情，同时造成的经济损失也更小。
54、20201230-The Effects of Restrictions in Economic Activity on the Spread of COVID-19 in the Philippines Insights from Apple and Google Mobility Indicators
这项研究调查了限制经济活动对菲律宾COVID-19传播的影响。本文利用2020年2月17日至9月11日期间新冠肺炎感染人数、Apple移动趋势和谷歌社区移动指标的每日时间序列数据分析。COVID-19每日新增感染人数表明，苹果移动趋势和谷歌社区移动指标存在某种形式的负或正的弱相关性。每日新增感染人数与中转站人数减少、居家人数增加、较少使用公共交通工具、较少步行前往目的地的人数呈负线性相关，与工作场所的访问次数和开车的人数存在某种形式的正线性相关。
55、20200629-Correlation Between Mobility and COVID-19 Cases in Surabaya City, Indonesia
本研究旨在确定在2019冠状病毒病大流行期间泗水居民的流动性和活动模式，并发现泗水居民的流动性与COVID-19病例数之间的相关性。将泗水市2020年人口流动模式分为5个阶段，即正常条件阶段(F0)、大流行初期阶段(F1)、大规模社会限制阶段(F2)、新习惯适应过渡阶段(F3)和新习惯适应阶段(F4)。本研究表明，中转站和居民区的人数与COVID-19病例数具有较高的相关性。此外，对新冠肺炎病例增加影响最大的出行方式是公交车出行。从社区流动报告中获得的COVID-19阳性病例数与人群活动的相关性较低。而在F4中，中转站和居民区的活动数量与COVID-19病例高度相关。
56、20210120-Associations of Government-Mandated Closures and Restrictions With Aggregate Mobility Trends and SARS-CoV-2 Infections in Nigeria
研究使用了尼日利亚智能手机用户在2020年2月27日至7月21日期间选择提供位置历史(来自多达4000万个人)的聚合匿名移动数据。分析的数据包括每日确诊的SARS-CoV-2感染人数以及六类人群总流动性的每日变化。关闭和限制措施于2020年3月30日启动，并于2020年5月4日部分放松。研究发现，尼日利亚政府因COVID-19而强制关闭和限制与总体流动性有显著关联，并可能与避免了多达580万例SARS-CoV-2感染有关。此外，COVID-19在尼日利亚的社区传播可能在居民区、中转站和工作场所更快。
57、20210126-Parallel trends in the transmission of SARS-CoV-2 and retailrecreation and public transport mobility during non-lockdown periods
本研究比较不同的地理环境与相似的人口规模，通过计算有效复制数量化SARS-CoV-2传播的变化。在法国各地区和爱尔兰的前两波COVID-19大流行期间，传播趋势与流动性之间存在高度正相关。零售/娱乐流动性和传播能力增加之间的密切关系表明，人类活动恢复到基线水平会造成感染增加的重大风险。公共交通流动性和零售/娱乐流动性与传播的相关性比其他形式的流动性更强。在封锁规则放松后，流动性的增加可能导致传输的增加。
58、20201112-Human Mobility Patterns and Its Cross-Correlation with the COVID-19 Transmission in Jakarta, Indonesia
调查了印度尼西亚雅加达的人口流动模式和COVID-19传播之间的相关性，并将其进一步分为两种主要的不同模式:工作日和周末。利用了谷歌、Waze和Apple的可公开访问的移动数据。分析显示，在雅加达(省级)和印度尼西亚(国家级)，COVID-19病例的每日增长速度与周末和工作日的驾驶和步行活动的人类活动模式相关。分析结果证实，旅行限制和保持社交距离是减少印度尼西亚大流行最有效的缓解政策之一。
59、20210428-Association between Community Mobility Patterns and Daily COVID-19 Cases Some Preliminary Evidence from Pakistan
调查巴基斯坦的社区模式与每日新增COVID-19病例之间的关系，流动模式的减少与COVID-19病例的减少之间存在显著的正相关，并帮助使新感染病例曲线自2020年5月和6月达到峰值以来变得平坦。
60、20210216-The Effect of Mobility Restrictions on the SARS-CoV-2 Diffusion During the First Wave What Are the Impacts in Sweden, USA, France and Colombia
访问了Facebook移动用户数据，每8小时测量一次。分析表明，封锁在全国范围内对病毒传播的影响相对较小，因为没有一个国家在不同程度的封锁下成功实施了控制措施，阻止了病毒的传播。尽管封锁对这些国家的移动性降低产生了不同的影响，但所有国家的用户移动性都高度集中，与单位入境人数相关系数在封锁前后均较高且稳定。一旦播下种子，病毒就会在本地连接的单位之间传播。减少流动性有助于根据剩余流动性预测扩散路径。
61、20210205-Network analysis of population flow among major cities and its influence on COVID-19 transmission in China
在期间(2020年1月1日至2020年2月23日)，以武汉为基线情景，模拟了42个传播情景，并假设不同主要城市为原始震中，揭示了COVID-19疫情在中国不同主要城市的潜在影响。构建输入风险模型，将输入风险值定义为人口流入总量与累计确诊病例数的组合，定量检验旅行限制在全国范围内传播的有效性。构建人口流动网络，揭示42个主要城市人口流动的基本模式，分析其时空特征，识别影响人口流动的子群体和传播主体。通过去除不同影响因子，发现广州对网络拓扑特征影响最大，部分大城市的度中心性显著降低。在系统层面通过密度和平均聚类系数检验了网络结构。这可以证明人口流动网络的拓扑结构和进化是否影响了COVID-19的传播。
62、202103-Projecting daily travel behavior by distance during the pandemic and the spread of COVID-19 infections – Are we in a closed loop scenario
这篇论文的目的是探讨在不久的将来，美国居民的日常旅行距离与COVID - 19感染之间的潜在关系。预测2020年11月30日至2021年2月28日期间美国居民按距离计算的每日出行未来趋势。通过对比趋势分析，确定了这一时期的日常出行和新冠疫情的扩散情况。结果显示，居民根据对COVID - 19的风险感知，在无限循环中动态改变出行行为的闭环情景。在短途旅行和长途旅行之间发现的旅行行为滞后进一步恶化了情况，并使寻找有效解决方案打破循环更加困难。这项研究为遏制和控制冠状病毒的传播提供了新的思路。只有采取适当和及时的缓解策略，才能打破这个循环。本文讨论了4种不同的干预策略，分析了居民每天的出行情况和控制新冠病毒感染的可能性。只有采取适当的干预措施并迅速向公众推出疫苗，才能打破这个封闭的循环。
63、20200819-The effect of travel restrictions on the geographical spread of COVID-19 between large cities in China a modelling study
我们利用此前估计的武汉COVID-19流行率和可公开获得的流动数据，估算了2019年11月至2020年2月期间从武汉前往中国大陆其他主要城市的受感染旅客人数。重点关注北京、重庆、杭州和深圳这四个具有代表性的主要城市，以确定警戒线卫生和假日旅游的潜在独立贡献。还对警戒线的效果进行了模拟，并结合了减少传播的情景，以模拟当地非药物干预的效果。我们发现，在这四个城市，鉴于2019年12月至2020年1月初武汉COVID-19的潜在高流行率，当地传播可能早在2020年1月18日至8日就已播下种子。当卫生警戒线实施时，感染人数可能达到数千人。警戒线本身并没有对这些城市的疫情发展产生实质性影响，尽管它可能对小城市产生了一些影响。
64、20200902-Human mobility and COVID-19 initial dynamics
这项研究表明，由移动数据得出的人的流动性与COVID-19爆发初期的传播高度相关。在法国的案例研究中，流动性可以解释与COVID-19爆发合理相关的52%至92%的额外死亡。在意大利的案例研究中，发现了类似的结果，证实了至少在其他物理距离措施出台之前，人的流动对病毒传播有很大的影响。以西班牙为例，呈阳性的人数与人的流动性高度相关(ρ高达75%)。
65、20200511-Mobility trends provide a leading indicator of changes in SARS-CoV-2 transmission
将苹果地图的移动数据纳入每日死亡和住院人数的流行病学模型，能够估算出美国人的移动和传播之间的明确关系。迁移减少解释了4月1日获得的有效繁殖数(RE)的大幅下降，并进一步识别了状态间的变化。在推断的传输-迁移关系中，仅仅放松居家令就能迅速导致疫情超出迄今发生的传播规模。今后，必须改变RE、t和人口流动之间的关系，以避免在允许人口流动增加的情况下重新引发疫情。
66、20200423-Eliminating COVID-19 The Impact of Travel and Timing
本文发现区域到区域的再生数与区域间的移动速度成正比，并与区域级控制措施实施前的时滞长度成指数关系。因此，旅行的减少和各地区采取行动的速度对COVID-19是否从各地区消除起着决定性作用。如果受感染在内部开始积极传播后立即采取社交距离措施，受感染地区的数量将随着时间呈指数级减少。如果不及时实施积极的社会距离措施，而只限制来自受感染地区的旅行只会延缓疫情的传播。然而，当旅行减少与保持社会距离措施相结合时，旅行减少不仅会延迟疫情的传播，在某些情况下还会成为是否消除疫情的决定因素。
67、20200509-Impact of small-area lockdowns for the control of the COVID-19 pandemic
智利(Chile)实施的小范围封锁以及其他干预措施有助于减少COVID-19流行传播,（有各类场所的移动数据和病例报告）。小区域封锁导致人类流动性大幅下降，相当于公共交通减少了11.4% ，其他流动性指标也出现了类似效果。但影响小于学校的提前关闭。小范围封锁可能在减少SARS-CoV-2传播方面发挥相关的支持作用，并可能有助于考虑缩小更严格的社会距离干预措施的国家。
68、20210326-Lockdowns result in changes in human mobility which may impact the epidemiologic dynamics of SARS-CoV-2
我们评估了封锁对人类流动性的影响，通过分析来自印度、法国、西班牙、孟加拉国和美国等多个国家的手机在地方和国家空间尺度上的聚集流动性数据，评估与封锁相关的旅行行为对疫情传播的影响，世界各地都出现了城市到农村的移民。模型显示，这种增加的流动有可能增加在城市较少的地区传播疫情的可能性，这可能会破坏封锁预防疾病传播的目标。封锁在减少接触和控制疫情方面发挥了关键作用，但需要在宣布封锁的同时传递适当信息，并仔细评估流动性的变化，以减轻可能的意外后果。在实施与疫情有关的旅行限制措施时，必须对当地旅行网络的变化进行信息传递和密切评估。
69、20200713-Lockdown timing and efficacy in controlling COVID-19 using mobilephone tracking
使用经过处理的手机跟踪数据来衡量出行限制，并将这些数据与2020年2月1日至4月6日期间意大利三个受影响最严重的地区伦巴第、威尼托和艾米利亚-罗马涅的每日新发现的SARS-CoV-2阳性病例数量进行关联。意大利政府随后实施了两次封锁，封锁力度越来越大。在研究期间,流动性限制与每天阳性病例呈负相关仅在第二次。从无症状感染到确诊有大约10天的时间差，因此，加强封锁后，传播几乎立即得到了有效的减少。意大利为遏制SARS-CoV-2感染的传播而采取的流动限制措施的预期效果通常在实施严格封锁措施后的14至18天内看到。在感染流行率最高的地区，早在9天就可以看到效果，这意味着减少流动性和减缓人与人之间的传播之间没有什么滞后。
70、20210105-Top-Down and Bottom-Up Lockdown Evidence from COVID-19 Prevention and Control in China
本文利用冠状病毒爆发期间全国人口流动数据，实证分析了中国人口流动与传染病传播的关系。国家限制人口流动的政策有效降低了城市间和城市内的人口流动强度，城市间和城市内迁移强度分别下降10.4%和10.5%，导致新确诊病例规模下降。人口流动限制对经济发展较好、人口密集或客流量较大的城市影响较大。
71、20201118-Quantifying the time-lag effects of human mobility on the COVID-19 transmission A Multi-City Study in China
本研究旨在量化人口流动的减少和COVID-19传播的下降之间存在的滞后效应，将2020年1月17日至2月29日中国80个疫情最严重城市的城市流动性指数和新病例时间序列结合起来。研究发现:(1)人员流动与COVID-19传播呈正相关，中位时滞为10天(四分位数区间为8 11天)。（2）人口流动量越大、医疗资源越好、城市道路网络越密集的城市滞后时间越短，经济优势城市滞后时间越长。在实践中，路网密度高、城市结构紧凑的城市应果断实施出行限制措施，可在较短时间内减少传染病的传播。
72、20200615-Spread of COVID-19 in China analysis from a city-based epidemic and mobility model
利用多智能体网络技术和人口迁移大数据，构建基于城市的疫情与流动模型，对COVID-19进行时空模拟。与传统模型相比，该模型具有城市网络视角的特点，强调城际人口流动和高速交通网络的重要作用。结果表明，该模型能够较准确地模拟中国新冠肺炎疫情早期的城市间传播。如果“封城”和“减少人口流动”都不实施，到2020年2月，中国累计感染病例将达到138824例，是实际病例的4.46倍。总体来看，湖北省城市封锁的围堵效应大于城市间人口流动减少的围堵效应，相对于人口流动减少，城市封锁效应对时间更为敏感。但结果表明，输出感染病例数并没有随着人口流动的增长而成比例增加，而是有一定程度的下降，在人口流动规模相同的情况下，距离越近的疫情传播绩效越强。
73、20200803-COVID-19 Pandemic with Human Mobility Across Countries
本研究收集了每个国家每天确诊的COVID-19感染病例以及一个航班的数据集（其中包含2020年1月22日至4月24日期间22个国家的547 166次航班，总容量为101 455 913名乘客）通过一个具有网络动力学的时空模型，对新型冠状病毒在全球范围内传播进行了整体研究。分析了六大洲22个国家的疫情相关性，特别是这种相关性在针对不同国家实施国际旅行限制政策之前和之后的变化。结果表明，该研究进一步强调了国际人员流动与全球COVID-19大流行网络中重点国家疫情情况之间的潜在相关性。决策者不应改变以往只注重限制高感染率热点地区的做法。
74、20200615-Differential impacts of contact tracing and lockdowns on outbreak size in COVID-19 model applied to China
采取了广泛的追踪接触者和保持社交距离/封锁措施，构建了一个新的传染病模型，将这些不同的隔离措施(接触者追踪和自我隔离)作为依赖于当前感染水平的干预措施。最终爆发规模的推算与自我隔离率的增加成反比，揭示了延迟实施大规模隔离或封锁措施超过关键时间后，累计病例呈指数增长的基本原理。相比之下，追踪接触者可使繁殖数量按比例减少，使流行病曲线变平，但只有在完美追踪大部分接触者时，才会对最终规模产生相当大的影响。将数学模型与中国报告的病例和隔离接触者数据进行了拟合，发现封锁对疫情规模和持续时间有巨大影响，而接触者追踪在减少感染高峰数量方面发挥了作用。该模型对中国累计报告病例和每日隔离接触者数据均具有良好的同时拟合性。
75、20201231-Spatiotemporal spread pattern of the COVID19 cases in China
本研究利用每周新增病例和总病例的数据，描述了1月17日(武汉市正式报告COVID-19病例的第一天)和3月20日(国内无新增病例)期间COVID-19的时空格局和传播趋势。结果显示：1)新冠肺炎病例主要分布在沪环永线以东地区，该地区疫情重灾区占全国的比重较高;2)受医疗资源和SARS-CoV-2病毒检测能力的限制，武汉COVID-19的拐点是2月14日，比湖北(武汉以外)和中国(湖北以外)晚一周;3)人口密度和与省级城市的距离与病例总数显著相关。在有针对性的疫苗和特定药物可用之前，断断续续的社交距离是一种有效且具有成本效益的方法。
76、20210226-Tribal Mobility and COVID-19 An Urban-Rural Analysis in New Mexico
通过个人设备捕捉到聚集人类活动揭示了部落和非部落地区的不同移动模式，并进一步在城市和农村线之间划分。结合新墨西哥州靠近部落地区的县COVID-19病例的异常破坏性激增。在病例数量显著的县，部落流动性相对于基线水平是独特的高。通过农村部落土地检测到的总流动性似乎与COVID-19病例增长的增长相一致，此外，部落地区的人口流动模式与周围县的病例增长模式的相关性比其他任何地区都要高。我们的初步结果为部落/非部落地区和农村/城市地区之间的人员流动潜在差异提供了一个量化方案
77、20201112-Monitoring the Spatial Spread of COVID-19 and Effectiveness of Control Measures Through Human Movement Data Proposal for a Predictive Model Using Big Data Analytics
该研究将利用推特和其他移动源导出的移动数据开发一种新的数据驱动方法，包括创新数据模型、预测模型和计算算法，有效地从大的地理标记Twitter数据中提取和分析人类活动模式人类流动。该研究旨在利用大社交媒体数据(Twitter)、人工智能(AI)以及时空分析，以人类活动为视角，在不同空间尺度(从本地到区域到全球)监测和建模2019冠状病毒病的空间传播。
78、20201215-Using Mobility Data to Understand and Forecast COVID19 Dynamics
介绍了一个新的GNN框架，将聚集流动纳入其中，以便更好地理解人类流动对COVID-19动态的影响，并更好地预测疾病动态。提出了一种循环信息传递GNN，在进行预测时嵌入时空疾病动态(COVID-19监测数据)和人类流动性动态(MF数据)。美国各州每日新冠肺炎病例预测的实验结果表明，使用移动数据获得了额外的改善
79、20200108-Prediction of the COVID-19 epidemic trends based on SEIR and AI models
本文收集2020年1月23日至3月6日新冠肺炎确诊病例、治愈病例、死亡病例等数据，结合百度人口迁移数据和国家统计局相关城市数据，预测中国新冠肺炎感染人数。SEIR模型可以很好地预测武汉的疫情，武汉以原发病例为主，AI模型加入人口迁移数据可以很好地预测中国非武汉地区的疫情，输入感染人数较多。此外，本研究估计了武汉关闭对疫情趋势的影响。结果表明，封锁武汉是有效遏制疫情大范围扩散的重要举措，大大减少了全国各地的感染人数。
80、20200914-Deepcovidnet An interpretable deep learning model for predictive surveillance of covid-19 using heterogeneous features and their interactions
提出了一种深度学习模型来预测未来几天covid - 19感染病例的增长幅度，并提出了一种计算多元时间序列和多元空间时间序列数据的等维表示的新方法。利用这种新方法，所提出的模型既可以吸收大量的异质性特征，如人口普查数据、县内流动、县间流动、社会距离数据、过去感染增长等，又可以学习这些特征之间复杂的相互作用。利用从不同来源收集的数据，我们估计了未来七天内美国所有县感染病例的增长幅度。此外，我们使用模型确定最具影响力的特征，以预测感染的增长。我们还分析特征对，并估计观测到的二阶相互作用的数量。
81、20200510-Metapopulation modeling of COVID-19 advancing into the countryside an analysis of mitigation strategies for Brazil
本文提出了一种新的流行病模型(SuEIR)，用于预测COVID-19的传播，包括美国国家和州一级的确诊病例和死亡病例数量。具体来说，SuEIR模型是SEIR模型的变体，考虑了未经测试/未报告的COVID-19病例，并通过基于报告的历史数据的机器学习算法进行训练。除了提供确诊病例和病死率的基本预测外，所提出的SuEIR模型还能够预测活动性病例的高峰日期，并估计基本复制数(R0)。特别是，根据模型预测，美国、纽约州和加利福尼亚州的峰值日期分别为06/01/2020、05/10/2020和07/01/2020。另外，美国、纽约州和加利福尼亚州的估计R0分别为2.5、3.6和2.2
82、Global monitoring of the impact of the COVID-19 pandemic through online surveys sampled from the Facebook user base
马里兰大学全球 COVID 趋势和影响调查 (UMD-CTIS) 于 2020 年 4 月启动，是最大的远程全球健康监测系统。这项研究包括到 2020 年 12 月来自所有 114 个国家/地区的约 3000 万份回复，并根据不回复和人口统计数据调整了调查权重。使用每天从 Facebook 用户处抽样的自我报告横断面调查数据，我们确认了一致的人口统计数据和COVID-19 症状。在国家和汇总的全球数据上训练的机器学习模型验证了已知的症状指标。我们的全球模型预测本地 COVID-19 病例趋势。重要的是，一项调查项目与报告的病例密切相关，证明了在 UMD-CTIS 采样或政府数据不足的地区的潜在效用。在卫生基础设施紧张但社交媒体用户活跃的地区，我们表明可以使用独立于当地政府资源的远程平台来定义 COVID-19 的影响轨迹。这种综合征监测公共卫生工具是迄今为止规模最大的全球健康调查，在参与者短暂参与的情况下，可以在当地范围内提供对全球 COVID-19 大流行的有意义、及时的见解。
83、20210310-Urban Epidemic Hazard Index for Chinese Cities：Why Did Small Cities Become Epidemic Hotspots
用交通和人口等因素去评估城市的风险程度，用SEIR模型评估城市内部的流动，将城市作为节点采用交通因素研究城际间的流动 （将城市的人口分SEIR四类 研究这四类对其他城市的流入）去评估城市分风险程度
84、20201207-Risk mapping for COVID-19 outbreaks in Australia using mobility data
评估了人口流动数据（Facebook位置转为OD数据）在估计传播风险的地理分布方面的效用。提出了一个简单的程序，从实时人口流动数据生成空间传播风险评估。根据澳大利亚三次有充分记录的COVID-19疫情验证了我们的估计。其中两个是明确定义的传播集群，一个是社区传播场景。结果表明，流动数据可以很好地预测传播中心暴露风险的地理模式，特别是在涉及工作场所或与习惯性旅行模式相关的其他环境的疫情暴发时。对于社区传播情景，结果表明，当病例数较低且空间聚集时，流动性数据对风险预测最有价值。
1、20210714-Assessing the Role of Daily Activities and Mobility in the Spread of COVID-19 in Montreal With an Agent-Based Approach
本文使用基于代理的模拟方法研究了加拿大蒙特利尔的日常活动、流动性与病毒传播之间的联系。为了解决这个研究问题，我们使用了两个基于代理的模型：MATSIM 和 EPISIM。MATSIM 模拟人口的日常活动和流动动态。EPISIM 使用 MATSIM 计算的接触网络模拟病毒在人群中的传播。
Figure 1.两种微观模拟模型的耦合催生了宏观层面上新出现的感染现象
2、20200501-Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV-2)
在本文中，我们使用对中国境内报告感染的观察，结合流动性数据、网络动态元种群模型和贝叶斯推理，推断与 SARS-CoV-2 相关的关键流行病学特征，包括未记录感染的比例及其传染性。我们估计，在 2020 年 1 月 23 日旅行限制之前，所有感染中有 86% 没有记录[95%可信区间(CI)：82–90%]。未记录感染的人均传播率为记录感染传播率的 55%（95%CI：46–62%），然而，由于数量较多，未记录在案的感染是 79%记录在案病例的来源。这些发现解释了 SARS-CoV-2 的快速地理传播，并表明遏制这种病毒将特别具有挑战性。
Fig. 2.未经记录的感染对SARS-CoV-2传播的影响。
3、20200501-The effect of human mobility and control measures on the COVID-19 epidemic in China
在本文中，我们使用武汉的实时流动数据和包括旅行史在内的详细病例数据来阐明病例输入在中国各城市传播中的作用，并确定控制措施的影响。在实施控制措施前，人类流动数据很好地解释了中国 COVID-19 病例的空间分布；实施控制措施后，这种相关性下降，大多数地区的增长率为负，尽管报告病例人口结构的变化仍然表明武汉以外的地方传播链。这项研究表明，在中国实施的严厉控制措施大大减轻了 COVID-19 的传播。
Fig. 2. 中国新冠肺炎疫情的人类流动性、传播和同步性。
4、20200712-Lockdown timing and effificacy in controlling COVID-19 using mobile phone tracking
从2020年2月1日至4月6 日，意大利政府随后实施了两次强度越来越大的封锁。根据手机追踪数据，我们发现第二次封锁导致个人流动性大幅下降，从而阻止了疫情。为了评估封锁的有效性，在本文中，我们使用经过处理的手机跟踪数据来衡量移动限制，并将这些数据与意大利三个受影响最严重的地区伦巴第、威尼托和艾米利亚-罗马涅每天检测到的新 SARS-CoV-2 阳性病例数相关联。结果表明，似乎不太严格的封锁导致流动性下降不足以扭转 COVID-19 等爆发。随着更严格的封锁，流动性下降到足以使传播迅速低于维持流行病所需的水平。
5.20200430-International tourist arrivals as a determinant of the severity of Covid-19: international cross sectional evidence
在本文中，我们使用涵盖 146 个国家/地区的横截面样本，研究了国际游客人数对人口死亡率和病死率的影响，其中死亡人数是由 Covid-19 引起的。内部人口流动的作用没有被明确考虑，但可以通过限制流动的封锁措施来体现。实证分析的结果表明，与其他任何因素相比，国际游客人数对 Covid-19 严重程度的影响更大。这意味着实施国际旅行禁令是遏制病毒的目标。
6、20200527-Rapid assessment of the impact of “lockdown” on the COVID-19 epidemic in Portugal
为控制COVID-19流行，葡萄牙于3月16日实施行动封锁，结果他们的整体流动性降低了80%。本文中，我们估计了葡萄牙封锁对减轻卫生服务负担的影响。我们预测了病例、住院患者（整体和 ICU 中）和未锁定的死亡人数的流行曲线，假设遏制措施的影响将在实施锁定后14天开始。我们对死亡、重症监护 (ICU) 和住院使用指数平滑模型，对病例数使用 ARIMA 模型，比较了观测（有干预）和预测曲线（无干预）。结果表明：如果没有在3月中旬实施封锁，葡萄牙ICU的容量可能会在4月上半月突破。封锁似乎有效地减少了SARS-Cov-2的传播、严重的Covid-19疾病和相关的死亡率，从而减少了对卫生服务的需求。
Figure 2.观察和预测每日死亡的人数，有95%的置信水平
7、20200628-A SIR model assumption for the spread of COVID-19 in different Communities
在本文中，我们研究了COVID-19大流行的建模方法的有效性，并开发了一种易感感染去除(SIR)模型，该模型为研究其在社区内的传播提供了理论框架。该模型基于众所周知的易感感染去除（SIR）模型，不同之处在于总人口本身没有定义或保持不变，易感个体的数量不会单调下降，它可以在激增期间增加。特别是，我们调查了不同人群的时间演变，并监测了疾病在各个国家（以中国、韩国、印度、澳大利亚、美国、意大利和美国德克萨斯州为代表）传播的各种重要参数。SIR 模型可以为我们提供有关病毒在国家中传播的见解和预测，而仅凭记录的数据是无法做到的。我们的工作显示了通过我们在此提出的SIR模型对COVID-19 的传播进行建模的重要性，因为它可以通过提供有价值的预测来帮助评估疾病的影响。我们的分析考虑了2020年1月至6月的数据，该时间段包含实施严格和控制措施之前和期间的数据。我们建议对与COVID-19传播相关的各种参数以及到2020年9月的易感、感染和移出人群数量进行预测。通过将记录的数据与我们建模方法中的数据进行比较，我们推断出COVID-19的传播可以在所有考虑的国家中得到控制。
Fig. 2.中国：(a)与方程式（3）之间的非线性拟合。(b)清除次数的绘图。
8、20200701-Modeling, state estimation, and optimal control for the US COVID‑19 outbreak
在本文中，我们引入了一种基于动态优化的决策框架，用于美国 COVID-19 爆发的整个流行病学建模和爆发控制工作流程。这包括对受影响人群的动态进行建模（对传统的 SEIR结构进行了一些关键修改），从数据中估计模型参数和隐藏状态，以及对社会疏远和测试事件进行排序的最佳控制策略，以便最大限度地减少感染数量。分析表明，尽早实施社交距离和隔离是最有效的，对确诊感染者的隔离具有更高的影响。此外，我们发现在严格的社会疏远和放松此类限制之间交替的“开关”政策可以有效地“拉平”曲线，同时可能最大限度地降低社会和经济成本。
Figure 1.SEAIR模型的数字表示
9、20200702-Do COVID-19 Policies Affect Mobility Behaviour? Evidence from 75 Canadian and American Cities
在本文中，我们对加拿大和美国的COVID-19政策措施和公民流动模式进行了比较分析。我们为加拿大和美国75个城市中的每一个构建了一个包含5个可比市级政策指标的原始数据集，将其与现有的11个州/省政策数据相结合，构建了一个衡量每个城市地方政策组合总体积极性的新指标。然后，我们使用每个城市的动态时间序列模型来估计这种地方政策组合对公民流动模式的影响，发现加拿大和美国城市之间几乎没有系统差异：在这两个国家，平均政策进取性相似，后续流动模式的影响明显。只有在整体流动性水平这个方面，我们发现加拿大城市的流动性在所有三种交通方式中都明显低于美国城市。
Figure 2 城市流动性
10、20200813-The dynamics of COVID-19 spread: evidence from Lebanon
本文中，我们采用两种不同的方法来探索2019年COVID-19在黎巴嫩的传播：STEIR 模型（一种考虑旅行影响修改后的SEIR模型）和重复迭代模型。我们拟合了自第一例确诊病例以来到2020年6月底的每日可用数据，并预测了与不同程度的社会疏远措施和旅行流入相关的可能传染情况，确定了黎巴嫩的初始生殖传播率和所有后续动态。在重复迭代(RI)模型中，我们迭代当前感染者的可用数据，以预测在几种可能传染情况下的未来感染。在这两个模型中，结果表明，更严厉的缓解措施将减缓疾病的传播。另一方面，正如STEIR所揭示的那样，目前放松措施和部分恢复国际航班将引发第二次感染爆发，其严重程度取决于放松的程度。我们建议机构和公众对缓解措施做出强有力的承诺，以避免不受控制的传播。
Figure 2 根据STEIR模型的累积感染数。 Figure 6 根据RI模型的当前感染者人数。
11、20200828-Estimating the establishment of local transmission and the cryptic phase of the COVID-19 pandemic in the USA
在本文中，我们使用全球元群传播模型来研究COVID-19大流行在美国持续和未被发现的社区传播的建立。该模型根据来自中国大陆的国际病例输入进行校准，并考虑了往返国际目的地的旅行限制。我们估计2020年2月SARS-CoV-2将在社区广泛传播。建模结果表明，国际旅行是在西海岸和东海岸大都市地区引入SARS-CoV-2的关键驱动因素，这些地区最早可能在2019年12月底被播种。对于大多数大陆国家来说，输入性感染的最大贡献是通过国内旅行流来的。
Figure 3:重要来源。
12、20200909-Effects of Proactive Social Distancing on COVID-19 Outbreaks in 58 Cities, China
中国各地的城市在2020年初实施了严格的社会疏远措施，以遏制冠状病毒病的爆发。在本文中，我们估计了这些措施控制城市传播的速度。结果发现，实施社交距离延迟1天导致遏制延迟2.41 (95% CI 0.97–3.86)天。
Figure.在2020年2月15日之前，南京和西安2个省会冠状病毒病(covid-19)的引入、传播和遏制。
13、20201005-A simple criterion to design optimal non-pharmaceutical interventions for epidemic outbreaks
在本文中，我们推导出了一个简单且数学上严格的标准，用于设计缓解流行病爆发的最佳暂时性非药物干预措施。我们发现将再生数减少到1以下就足够了，但不是必需的。相反，我们的标准根据所需的疾病流行率最大值和干预措施可以实现的疾病传播的最大减少量来规定所需的繁殖数减少量。我们研究了我们的理论结果对在COVID-19大流行期间在16个城市和地区设计非药物干预措施的影响。特别是，我们估计了最佳控制流行病所需的每个地区接触率的最小降低。我们的结果有助于建立严格的方法来指导最佳非药物干预政策的设计。
Figure 3: 易感感染消除模型中的最佳非药物干预
14、20201006-Adaptive Bayesian Learning and Forecasting of Epidemic Evolution—Data Analysis of the COVID-19 Outbreak
有大量文献描述了贝叶斯序列和自适应动态估计在导弹和舰船等物体的监视（跟踪和预测）中的应用。本文中，我们将其一些关键经验教训转移到流行病学中。我们表明，我们可以根据当局提供的日常（可能是不确定的）公开可用信息可靠地估计和预测感染的演变，例如，感染者和康复者的每日人数。该方法应用于意大利伦巴第地区和美国的真实数据，能够估计感染和恢复参数，并能够以良好的准确性跟踪和预测流行病学曲线。在这些情况下，锁定后计算的平均绝对百分比误差在预测为7天时平均低于5%，当预测范围为14天时平均低于10%。
TABLE 4.美国流行病演变预测的平均绝对百分比误差 (MAPE)**
15、20201006-Changing travel patterns in China during the early stages of the COVID-19 pandemic
本文中，我们基于来自中国大陆的数据，调查了2020年1月1日至3月1日之间中国各州之间人类流动的时空特征，以提供对中国COVID-19大流行早期阶段的旅行模式的详细检查，并讨论了它们对公共卫生的影响。由于农历新年，在实施旅行限制之前，从武汉出发的出境旅行激增，这表明与即将实施的旅行限制相比，假期旅行可能在流动性变化中发挥了更大的作用。假期旅行还将与COVID-19相关的医疗保健压力转移到医疗保健能力较低的地方。网络分析显示，农历新年后交通网络没有发生重大变化的迹象。
16、20200710-Estimating the burden of SARS-CoV-2 in France
法国受到COVID-19大流行的严重影响，并于2020年3月17日进入封锁状态。在本文中，我们使用应用于医院和死亡数据的模型，估计封锁和当前人群免疫力的影响。我们发现2.9%的感染者住院，0.5%的感染者死亡（95%可信区间：0.3至0.9%），范围从20岁以下人群的0.001%到80岁以下人群的8.3%不等。在所有年龄段，男性比女性更有可能住院、进入重症监护室和死亡。封锁将再生数从2.90减少到0.67（减少了77%）。到2020年5月11日计划放宽干预措施时，我们预计350万人（范围：210万至 600万）或人口的 5.3%（范围：3.3 %至 9.3%）会被感染。如果在封锁结束时解除所有控制措施，人口免疫力似乎不足以避免第二波疫情。
Fig. 1. 法国的 COVID-19 住院和死亡人数
17、20201111-Potential Role of Social Distancing in Mitigating Spread of Coronavirus Disease, South Korea
韩国COVID-19的爆发在2月底达到顶峰，并在3月中旬消退。本文中，我们分析了社交距离在减少传播方面的可能作用。分析表明，尽管某些地区的传播可能会持续存在，但与中国采取的措施相比，采取不那么极端的措施可以抑制流行病，并表明迅速识别和隔离病例以防止传播 ( 4 )的必要性。
18、20201123-The Coupled Impact of Emergency Responses and Population Flows on the COVID‐19 Pandemic in China
在本文中，我们研究并比较了疫情爆发期和控制期武汉封城后应急响应措施和人口流动对中国疫情的影响。我们发现，疫情期间，武汉大量人口外流导致全国人口流动，直接加剧了各省的疫情。同时，快速的应急响应减缓了传播。尽管远离湖北的省份人口流动少，延迟了这些省份的疫情，但相对滞后的应急响应增加了控制期内的疫情。因此，由于SARS-CoV-2病毒的强传播能力，没有地区正确估计疫情，应急响应的缓解给疫情背景下增加了疫情风险。
Figure 3.中国人口流动空间分布与应急响应效率
19、20201202-Outbreak diversity in epidemic waves propagating through distinct geographical scales
在大流行情况下，新出现的传染病的一个核心特征是根据采用的缓解协议在地理范围内传播以及对不同地点的影响。本文中，我们使用元种群方法研究了随机流行模型，其中补丁代表自治市。传染遵循自治市的随机分区模型；后者反过来又通过经常性的流动性相互影响。作为一个研究案例，我们考虑了巴西 COVID-19 的流行，并进行了数据驱动的模拟。模拟流行曲线的特性在不同的地理位置和规模上具有非常广泛的分布，从州到中间和直接地区，再到市级。结果表明多个流行病灶向内陆城市传播的影响，不同地区对同一缓解方案的反应可能会有很大差异，这意味着抗击流行病的政策必须根据地区的特殊性而设计，但要结合总体情况。真实的系列报告案例证实了模拟中预测的定性场景。尽管我们的研究仅限于巴西，但前景和模型可以扩展到其他具有异质人口分布的地理组织。
FIG.1.(a)元种群结构和(b)流行病转变及其各自的比率的示意图。
20、20201204-Differential effects of intervention timing on COVID-19 spread in the United States
评估早期非药物干预对2019年COVID-19传播的影响对于理解和规划未来的控制措施以对抗大流行至关重要。本文中，我们使用对报告的感染和死亡的观察、人类流动数据和元种群传播模型来量化2020年3月15日至5月3日期间美国各县疾病传播率的变化。美国与社会疏远和其他控制措施有关。反事实模拟表明，如果提前1到2周实施这些相同的措施，可以避免大量病例和死亡，而对未来发病率增加的延迟反应将促进感染和死亡的更强劲反弹。研究结果强调了早期干预和积极控制在对抗 COVID-19 大流行中的重要性。
Fig.3.反事实模拟，控制干预始于3月初，比实施时间提前1周和2周。
21、20201215-Inferring the effectiveness of government interventions against COVID-19
各国政府正试图通过非药物干预NPI来控制COVID-19大流行。然而，人们对非营利机构在减少传播方面的有效性知之甚少。本文中，我们收集了一些欧洲和非欧洲国家在2020年1月至5月底期间实施NPI的时间顺序数据。我们估计了这些NPI的有效性，范围从限制聚会规模和关闭企业或教育机构到在家庭订单。为此，我们使用了贝叶斯分层模型，该模型将NPI实施日期与国家病例和死亡人数联系起来，并通过广泛的实证验证支持结果。关闭所有教育机构，将聚会限制在10人或更少，并关闭面对面的企业，每一项都大大减少了传播。
Fig.5. 模型概述
22、20210122-Lessons from movement ecology for the return to work: Modeling contacts and the spread of COVID-19
在做出重新开放决定时，需要明确考虑移动和接触模式，尤其是在重返工作岗位方面。本文中，我们考虑在大型研究型大学恢复研究的初始阶段使用运动生态学和接触网络流行病学的方法。首先，我们开发了一个动态病原体模型，描述了家庭和工作之间的运动；我们表明，通过减少工作人员或减少工作时间来限制社会接触是减缓病原体传播的相当等效的策略。第二，我们开发了一个基于校园特定办公室和实验室建筑内的空间接触模式的模型；我们表明，将校园活动限制在实验室（而不是实验室和办公室）可以显着改变（模块化）接触网络结构，从而通过提供减少接触的工作场所机制来潜在地减少病原体传播。我们认为明确考虑工作场所中的人类活动和接触行为可以提供额外的策略来减缓病原体传播，这些策略可以与正在进行的公共卫生工作结合使用。
Fig 5.网络模型结构
23、20210204-Endogenous social distancing and its underappreciated impact on the epidemic curve
本文中，我们使用博弈论将部分感染人群中自愿社交距离的相互作用形式化。这改进了流行病学模型的行为微观基础，并根据健康状况预测不同的社会疏远率。推导出该模型在比较静态方面的关键预测，这些预测涉及患病者和健康者的社会疏远行为之间的变化和相互作用。我们将内源性社会疏远的相关参数与具有流感波证据的流行病学模型进行拟合，以提供具有内源性社会疏远的流行曲线的基准。结果表明，峰值和病例数的传播与人口的部分固定所产生的相似，但传播速度更快，可能是内源性发生的。展望未来，最终的社交距离命令和封锁政策应该以更现实的流行模式为基准，这些模式考虑到内源性社交距离，而不是由静态的估计驱动，本质上高估了传播。
Figure 1. 社交距离互动的简化
24、20210513-Measuring the effect of Non-Pharmaceutical Interventions (NPIs) on mobility during the COVID-19 pandemic using global mobility data
在本文中，我们使用Apple和Google发布的每个国家/地区的汇总流动数据，调查了非营利机构对跨国层面流动性变化幅度和速率的贡献比例。对流动变化幅度影响最大的非营利机构是封锁措施；宣布进入紧急状态；关闭企业和公共服务以及关闭学校。对流动性变化率影响最大的非营利机构是实施封锁措施和限制公共集会。我们观察到NPI对Apple和Google移动数据的直接和类似影响。此外，虽然苹果和谷歌的数据是通过不同的方法获得的，但它们之间的相关性很强，表明它们反映了国家层面的整体流动性。这些数据的可用性为政府提供了一个机会，以建立及时的、统一的、具有经济效益的机制来监测covid-19或未来的大流行对策。
Fig. 4苹果和谷歌移动数据之间的相关性
25、20200425-Changes of urban activities and behaviors due to COVID-19 in Japan
由于 COVID-19 大流行而实施的社会疏远措施改变了城市地区的社会经济活动。本研究根据谷歌和苹果提供的移动数据分析了日本四个大都市地区的这些行为变化。结果表明，常规行为模式已被 COVID-19 显着扰乱，行为抑制的表现因城市结构和气候因素而异。
Figure 1.苹果和谷歌的数据分析了移动性趋势的变化。
26、20200608-FAST AND LOCAL: HOW DID LOCKDOWN POLICIES AFFECT THE SPREAD AND SEVERITY OF COVID-19?
本文中，我们分析了控制措施是否有助于减少感染的传播和死亡人数，同时比较了它们在发达国家和发展中国家的有效性。我们的数据涵盖了2019年12月31日至2020年5月4日期间的184个国家，并确定了何时采取封锁，以及因covid-19确诊的感染和死亡病例。我们发现，在减少感染和死亡人数方面，部分封锁与采取更严格的措施一样有效。我们估计，在发达国家，它们减少了约65万人的死亡人数，但在发展中国家没有发现如此显著的影响。这表明，只有在呆在家里的机会成本不太高时，封锁才会奏效。我们还发现，行动迅速的国家表现更好，但即使在50天后，关闭边界也没有明显的效果。
Figure 2: 措施、案例和死亡人数的演变
三、human mobility
1、20201022-Non-compulsory measures sufficiently reduced human mobility in Tokyo during the COVID-19 epidemic
利用从日本东京的20多万部手机收集的匿名移动数据，分析了i)人类移动行为变化：通过回转半径和总旅行量评估个人移动程度 ii)社会接触率：通过个人轨迹计算平均社交接触量 iii)这种移动变化与COVID-19传播能力的相关性的时间变化。到4月15日(宣布进入紧急状态1周后)，东京人的行动行为减少了约50%，导致社会接触减少了70%，且人员流动指标和社会接触措施的减少与COVID-19有效繁殖数量的减少存在显著相关性。
2、20201110-Twitter reveals human mobility dynamics during the COVID-19 pandemic
探究全球协作努力减少人类流动性，通过分析全球5.8亿多条推文，反映在三个不同的地理尺度上:全球尺度、国家尺度和美国州尺度减少出行的努力。为了从推特上量化出行的各个方面，我们提出了两种距离类型，即强调每日出行行为的单日距离和强调连续两天出行行为的跨日距离。进一步发现，流动性变化的触发因素与缓解措施的宣布很好地对应，这反过来证明，基于twitter的流动性，在某种程度上暗示了这些措施的有效性。在美国各州范围内，COVID-19大流行对流动性的影响是明显的，因为在3月13日宣布国家紧急状态后，大多数州的流动性下降发生在3月中旬。
3、20210422-Changes in mobility and socioeconomic conditions during the COVID-19 outbreak
在本文中，分析了在哥伦比亚实施控制措施后的流动性变化，描述了大流行之前和期间的流动网络，并分析了2020年1月至7月期间的演变和变化。观察到交通出行的总体减少趋势，但城市不同地区之间的整体连通性在封锁后仍然保持着，这反映了交通网络的弹性。然后估计了一个重力模型来评估社会经济条件对流动的影响。发现对封锁政策的反应取决于人口的社会经济条件。在大流行之前，社会经济条件较好的人口具有较高的流动性。自封锁以来，流动性总体下降，但社会经济条件较差的人口流动性下降幅度较小。
4、20201210-Country-wide mobility changes observed using mobile phone data during COVID-19 pandemic
使用近实时、匿名的移动电话数据，描述了奥地利因SARSCoV-2大流行而实施封锁期间的人员流动变化。我们讨论了非常有限的区域(如地铁站、机场或单个村庄)的流动性变化，以及地区和国家的变化。表明限制措施的宣布导致整个国家的人口流动急剧减少。随着社区分解为集群，模块性随之增加。当移动性随后恢复时，可以在另一个方向进行类似的观察。然而，对于基于POI的指标，无法观察到这样的复苏。从感染率的时间滞后进一步证明，出发地-目的地矩阵对流行病学预测有很大的价值
5、20201226-Japanese travel behavior trends and change under COVID-19 state-of-emergency declaration Nationwide observation by mobile phone location data
此次研究是利用移动终端网络运营数据，对日本新冠肺炎紧急状态宣布后的行为变化进行实证分析的结果。结果表明，在没有严格限制的情况下，旅行和跨州旅行显著减少，引发行为变化的主要因素似乎是学校停课和宣布进入紧急状态。此外，人口密度指数下降了20%，人们避免前往人口稠密的地区，表明所有城市的人们的行为都发生了很大的变化。相比之下，在农村出行次数并没有减少。但是，即使出行次数没有减少，人口密度指数也大幅下降。这表明，一旦宣布进入紧急状态，人们的行为就会发生变化，但一旦宣布解除，就不会立即恢复正常。相反，它恢复得很慢。
6、20201006-Human mobility restrictions and inter-provincial migration during the COVID-19 crisis in China
本研究考察了新冠肺炎疫情期间，人口流动限制对中国省际人口流动影响的变化。结果表明:2020年1月底至5月初，流动限制降低了63%的省际人口流入和62%的省际人口流出，但不同省份间的影响差异显著。此外，社会媒体参与度高、公共安全支出高、突发公共卫生事件一级响应时间长的省份，流动限制对省级人口外流的负面影响更大
7、20200624-COVID-19 outbreak response, a dataset to assess mobility changes in Italy following national lockdown
提供了三个不同的聚集流动性指标的每日时间序列:意大利各省之间的出发地-目的地移动、回转半径和空间邻近网络的平均程度。所有指标都是通过处理大规模数据集计算出来的，这些数据集包含疫情爆发前和期间约17万名未识别的智能手机用户的匿名共享位置。这一数据集有助于监测封锁对疫情轨迹的影响
8、20200524-Changes in mobility patterns in Europe during the COVID-19 pandemic Novel insights using open source data
通过综合不同公开来源的数据得出的结果，以阐明欧洲大流行期间流动模式的变化。利用这些数据，我们发现不同国家的人口流动模式已经发生了变化，这取决于他们在疫情期间采取的策略。我们的数据显示，在封锁期间，大多数欧洲公民步行的次数减少了，而且，尽管航班减少了，但开车的人数大幅增加。
9、20200522-Understanding the collective responses of populations to the covid-19 pandemic in mainland china
从信息和流动性的角度，评估中国大规模人口对新冠肺炎疫情的应急响应程度。利用从百度Maps和百度搜索引擎收集的实时和历史数据，我们证实了2020年1月1日至23日期间，中国各主要城市的本地疫情形势与来自武汉的人口流入之间存在很强的相关性。随着当地感染情况的恶化，个人对信息的需求也越来越高。一个城市的感染病例越多，这个城市的居民就会越多地上网搜索相关信息。然而，人们不太可能逃离他们居住的城市，即使在情况危急的时候。一个城市的传染病情况越严重，居民越不可能走出城市。此外，消息灵通的个人更有可能减少旅行，一个城市的居民参与与疫情有关的搜索越多，这些居民就越有可能避免旅行。
10、202103-A big-data driven approach to analyzing and modeling human mobility trend under non-pharmaceutical interventions during COVID-19 pandemic
本文提出了一个大数据驱动的分析框架，每天吸收tb数据，定量评估COVID-19期间的人的流动趋势。该研究使用了美国超过1.5亿月度活跃样本的移动设备位置数据，成功地衡量了县级人口的流动性，“居家令”只导致人员流动减少3.5% - 7.9%，而“重新开放指南”导致人员流动增加1.6%-5.2%。研究结果还表明，美国各州之间存在合理的空间异质性，其中确诊病例数量、收入水平、产业结构、年龄和种族分布起着重要作用。
11、20200520-People Behavior Changes in China during COVID-19 Pandemic
我们对中国五个主要城市的1048人进行了调查，跟踪和量化疫情爆发后不同时期的行为变化。研究发现，外出活动(工作、吃饭、购物、乘坐公共交通和旅行)在高峰期减少了近80%。在遏制措施放松后，此类活动逐渐增多，但仍大大低于疫情前水平。这种显著的行为变化有助于中国病毒传播的快速控制。虽然各国正在病毒消失前重新开放经济，但检测和追踪接触者的系统和能力应仔细设计，以跟踪未来人们的行为变化。
四、COVID-19
1、20210716-Exploration of transmission chain and prevention of the recurrence of coronavirus disease 2019 in Heilongjiang Province due to in-hospital transmission
哈尔滨市疫情反弹，对不同级别（包括市级、医院级和医务人员级）的复发原因进行了调查，描述了完整的传播链，分析了疫情爆发的原因，并结合实际的临床经验提出了相应的对策
2、20210421-Smart city projects against COVID-19 Quantitative evidence from China
将智慧城市项目分为与新冠疫情防控密切相关的智慧社区、智慧政府、智慧医疗、智慧信息四大类。实证结果表明，每万人的智慧城市投资每增加100万元，每万人新冠肺炎确诊病例减少0.342例。异质性分析结果表明，智慧城市项目在新冠病毒在城市内传播期间的效果强于流入期间。此外，人口规模不同的城市，其影响也不同。对于人口规模中等城市来说，其影响并不像大城市和小城市显著。
3、20200322-Social distancing strategies for curbing the COVID-19 epidemic
本文使用数学模型评估，一次性干预措施不足以在美国重症监护能力范围内维持COVID-19的流行。传播的季节性变化将有助于在夏季控制疫情，但也可能导致秋季疫情的严重复发。间歇性的保持距离措施可以保持对疫情的控制，但如果没有其他干预措施，这些措施可能会持续到2022年。提高重症监护能力可以缩短SARS-CoV-2疫情的持续时间，同时确保危重患者得到适当的护理。
