Oct, 2014

基于经验贝叶斯框架的流行病灵活建模

PDF
TL;DR使用半参数经验贝叶斯框架，结合 Google Flu Trends 数据，开发了一种预测流感季节流行病情况的框架，可针对流感样病毒构建有合理变化的流行曲线，对抗历史数据进行了交叉验证，结果表明该方法更好地预测了未来的病情。
influenza epidemicforecastingempirical bayesgoogle flu trendstime series
发现论文，激发创造
  • 基于层次差异的美国流感动态贝叶斯预测

    介绍一种基于动态贝叶斯模型的流感预测模型，利用模型的差异性通过分层模型处理，可以从先前观察到的流感季节中借鉴不完全观察的季节的差异信息，该模型在 CDC 的 2015-2016 年流感预测挑战中胜出，表明该模型是一个领先的流感预测模型。

    Aug, 2017

  • 整合专家指导的疫情预测

    利用 AI 安全中的 Seldonian 优化框架，我们提出了一种新的流感样疾病预测方法，其可以系统地结合专家反馈和指导，以达到更好的预测效果，并且在测试数据上能够将均方根误差减少多达 17%。

    Dec, 2020

  • 结合搜索、社交媒体和传统数据来源来改进流感监测

    本研究使用机器学习方法，结合多种数据源包括谷歌搜索、社交媒体数据和卫生部门数据等，提供实时和预测性的美国流感活动估计。通过将每个数据源产生的流感样病例（ILI）活动情况独立生成的多个估计值结合起来，使用机器学习集成方法生成准确的每周 ILI 预测，为 CDC ILI 报告发布前的四周提供预测。结果证明，将不同数据源（包括社交媒体和众包数据）纳入流感预测可以获得极大的洞见。

    Aug, 2015

  • 机器学习模型预测疫情爆发

    使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

    Oct, 2023

  • 流感和 COVID-19 疫情下的历史疾病预测模型引导

    本文提出了一种名为 CALI-Net 的神经转移学习框架，可以将历史流感预测模型应用于与 COVID-19 共存的新场景中，成功实现对疫情的有效预测。

    Sep, 2020

  • 聚合异质数据的流行病学建模的差异

    本研究通过结合多个不同参数的 SEIR 模型的流行病曲线，生成了三个复杂的流行病情景，并考察了流行病学参数估计的目前现状和局限性，结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。

    Jun, 2021

  • 自动预测：匈牙利水痘病例估计的时间序列预测模型评估

    本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测，演示 LSTM 模型在县级预测方面的表现优于其他模型，SARIMAX 模型在国家级预测方面的表现最佳。同时，我们的数据预处理方法的表现也优于传统的数据预处理方法。

    Sep, 2022

  • 使用机械和统计时间序列模型进行 COVID-19 发病率的短期概率预测比较

    本研究比较了基于更新方程的机械模型和统计时间序列模型的短期概率预测，发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高疾病发病率的短期预测能力。

    May, 2023

  • 深度 Transformer 模型用于时间序列预测：以流感流行为例

    使用基于 Transformer 的机器学习模型，利用自我关注机制从时间序列数据中学习复杂模式和动态，可以准确预测流感样疾病 (ILI) 等时间序列数据，并已超越当前领先的方法。

    Jan, 2020

  • EINNs：流行病学信息引导的神经网络

    我们介绍了 EINNs，这是一个基于机械模型提供的理论基础和人工智能模型提供的数据驱动的表达能力，以及摄入异构信息的能力，用于流行病预测的框架。通过物理 - 信息神经网络的工作来学习潜在的流行病动态并将相关知识转移给另一个神经网络，这个网络摄入多个数据源，并具有更适当的归纳偏差。我们的全面实验表明，与其他非平凡的选择相比，在 COVID-19 和流感预测的所有美国州和 HHS 地区都展示了我们方法的明显优势。

    Feb, 2022