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

利用 Covid-19 的数据集，使用预测性分析来评估更复杂的预测模型的效能潜力，包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果，它与 Exponential Smoothing、机器学习模型和 LSTM 等进行了比较，并且 LSTM 表现出了最佳的效果。该研究对美国和俄罗斯进行了评估，并使用 MAPE 指标进行评估。

Jul, 2022

本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

Apr, 2020

COVID19 预测和检测的深度学习方法在此研究中得到了改进，并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。

Oct, 2023

该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

Dec, 2022

通过使用 Deep Transformer 模型，利用深度学习预测 COVID-19 在印度尼西亚的传播率，模型使用 Pre-Layer Normalization 和 Adamax 优化器训练的结果表现最佳。

Jul, 2022

本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

Jul, 2020

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

Jun, 2024

开发了一种深度学习模型用于从声音记录数据中识别 COVID-19，使用声音数据为 COVID-19 诊断提供了有前景的结果。

Feb, 2024