Aug, 2017

基于层次差异的美国流感动态贝叶斯预测

PDF
TL;DR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。
influenza forecastsdynamic bayesian modeldisease transmission processmodel discrepancycdc's flu forecasting challenge
发现论文，激发创造
  • 基于经验贝叶斯框架的流行病灵活建模

    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。

    Oct, 2014

  • 多任务学习的单模型多国流感预测

    本研究利用多任务学习，建立了一种针对多个国家的流感预测模型，并提出了解决搜索查询和如何有效地利用搜索查询的问题的方法。实验表明，与基准组相比，我们的模型通过利用搜索查询和多任务学习显著提高了流行性感冒预测的性能。

    Jul, 2021

  • 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

  • 使用层次贝叶斯方法预测单个医院的 COVID-19 病例数

    本文提出几种候选的分层贝叶斯模型，用于预测单个医院 COVID-19 日住院患者人数，并将其演示在美国马萨诸塞州 8 家医院和英国 10 家医院的公共数据集上，并将其与现有基线方法进行比较。

    Apr, 2021

  • 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

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • DYffusion: 基于动态信息的时空预测扩散模型

    文章提出了一种新的 diffusion model 的训练方法，通过将数据中的时间动态信息直接耦合在网络的 diffusion steps 中，训练了一个 stochastic time-conditioner interpolator 和一个 backbone forecaster network，从而实现了多步和长距离的时序预测能力。实验结果表明该方法对于复杂的动态状态预测有较强的表现。

    Jun, 2023

  • 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

  • 动态网络模型的预测

    本文提出了一种概率预测方法，通过信念网模型和经典时间序列分析的结合来构建、完善和进行推断，并扩展了静态信念网络模型以建立更普遍的动态预测模型，通过集成和反复优化同时和时滞的依赖关系，我们讨论了用于预测日本汽车销售的模型中的关键概念。

    Mar, 2013

  • COVID-19 的动态因果建模

    本文利用动态因果模型和集成动力学，通过对干预和不同人群间的差异进行建模，量化了冠状病毒在不同情况下的不确定性和预测。同时，该研究还观察到了群体免疫导致的非线性影响和自组织缓解过程方面的有趣现象。

    Apr, 2020