易感传染恢复（SIR）模型被广泛用于估计流行病的动态。这样的模型预测，遏制措施会使曲线变平，即减少但延迟每日感染的高峰，导致更长的流行时间，并增加死亡人数。这些预测已进入共识。个人和政府经常提倡采取遏制措施，例如扩大社会距离，以达到高峰，限制社会和经济动荡，并降低死亡率。因此，发现COVID-19大流行数据的现象学与SIR模型的预测相反，这是一个非常令人惊讶的发现。了解到常用的SIR方程仅近似于描述流行病的原始方程，我们确定了原始流行病方程的闭式解。与常用的近似方法不同，封闭形式的解决方案可复制观察到的现象学，并使用简单的分析工具为决策者量化流行病的动态。完整的解决方案使用独立测量的流动性数据进行验证，并准确预测多个国家的COVID19病例数。



"点击查看英文标题和摘要"