Analyzing the impact of human mobility on COVID-19 spreading in France

Starting from December 2019 the world has faced an unprecedented health crisis caused by the new Coronavirus (COVID-19) due to the SARS-CoV-2 pathogen. People contacts, which are amplified by their respective mobility, is the main driver of transmission of COVID-19. With this regards, the aim of this work is to quantify the effect of population mobility habits on the Coronavirus spread. Considering France as an example, this study evaluates the correlation between Human mobility and COVID-19 transmissions. First, it evaluates human mobility relying on an aggregated phone data. Second, it assesses the impact of the mobility previously found on the virus spreading, using a deep learning model which can forecast various spreading scenarios based on different mobility models, at a regional level. Overall, this study (i) shows that containment measures contribute to “flatten the curve” and (ii) quantifies the minimum time frame necessary for the imposed restrictions to result in a perceptible impact, depending on their associated grade.

A partire da dicembre 2019 il mondo ha affrontato una crisi sanitaria senza precedenti causata dal nuovo Coronavirus (COVID-19) dovuto all'agente patogeno SARS-CoV-2. Il contatto tra gli individui, grandemente amplificato dalla loro rispettiva mobilità, è uno dei principali motori di trasmissione del COVID-19. A tal proposito, lo scopo di questo lavoro è quello di quantificare l'effetto che le usuali abitudini di mobilità della popolazione hanno sulla diffusione del Coronavirus. Prendendo la Francia come esempio, questo studio mira a mostrare la correlazione tra la mobilità dell'uomo e la trasmissione del suddetto virus. Come primo contributo, si cerca il pattern che caratterizza la mobilità uaman servendosi di un set di dati telefonici aggregati. In secondo luogo, si valuta l'impatto della mobilità precedentemente trovata sulla diffusione virale. Ci si serve prima di tecniche di correlazione statistica per dimostrare l'effettiva presenza di una forte correlazione tra i due fenomeni. In seguito viene sviluppato un modello di deep learning che permette di prevedere vari scenari di diffusione virale basati su diversi modelli di mobilità, a livello regionale. Questo servirà per dimostrare che le misure di contenimento della mobilità adoperate, come lockdown totale e parziale, contribuiscono ad "appiattire la curva virale" e permetterà di quantificare il lasso di tempo minimo necessario affinché le restrizioni imposte producano un impatto percepibile, a seconda del loro grado associato.