本文介绍了一种适用于计数时间序列数据的分层贝叶斯模型，能够轻松地考虑影响因素和在相关的时间序列数据组之间共享统计信息，并提出了一种高效的近似推理方法，并在供应链规划的多个数据集上进行了性能测试。

May, 2014

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

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

决策者通常通过报告过程观察事件的发生情况。在城市政府中，例如，依靠居民报告来发现并解决城市基础设施问题，例如树木倒塌、地下室涝水或鼠害问题。在正无标记数据的情况下，没有办法区分已发生但未被报告的事件和真正未发生的事件 - 这是存在基本难题。我们展示了如何充分利用事件的空间相关性来克服这一挑战。我们的框架利用贝叶斯空间潜变量模型推断事件发生的概率，并将其应用于纽约市风暴引发的洪水报告中，进一步汇总多个风暴的结果。我们展示了一个考虑少报告和空间相关性的模型比其他模型更准确地预测未来的报告，并进一步产生了更公平的检查分配：其分配更好地反映了人口情况并为非白人，较低教育水平和低收入居民提供公平的服务。我们的工作为更加公平的积极政府服务奠定了基础，即使报告行为存在差异。

Dec, 2023

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

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

该研究旨在使用机器学习为基于事件描述的延误归因代码分配提供决策支持，并且结果表明分层方法比平面方法更有效，但均不如手工分类。

Feb, 2024

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

本研究提出了一种非参数化滞后反馈模型，用于预测展示广告中的转化率，可以反映各种时间延迟的分布形状，并在实验中证明其优于指数分布模型。

Feb, 2018

医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

Nov, 2023