流感和 COVID-19 疫情下的历史疾病预测模型引导

AAAISep, 2020

流感和 COVID-19 疫情下的历史疾病预测模型引导

Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19

Alexander Rodríguez, Nikhil Muralidhar, Bijaya Adhikari, Anika Tabassum, Naren Ramakrishnan...

TL;DR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。

Abstract

Forecasting influenza in a timely manner aids health organizations and policymakers in adequate preparation and decision making. However, effective influenza forecasting still remains a challenge despite increasing research interest. It is even more challenging amidst the COVID pandemi

influenza forecasting covid-19 neural transfer learning adaptation disease dynamics

发现论文，激发创造

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

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

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

利用大型语言模型推进实时流行病预测：COVID-19 案例研究

我们提出了 PandemicLLM，这是一个新颖的框架，利用多模态大型语言模型将疾病传播的实时预测转化为文本推理问题，能够整合实时、复杂、非数值型信息，并在 COVID-19 大流行中得到应用。该研究揭示了适用大型语言模型和表征学习提升疫情预测的潜力，展示了人工智能创新如何加强未来的疫情应对和危机管理。

Apr, 2024

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

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

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

Back2Future: 利用 Backfill Dynamics 来提高未来实时预测

本文介绍了一种基于 COVID-19 疫情数据的多元回溯问题，构建了一个详细的数据集，并提出了一个名为 Back2Future 的神经框架，能够在实时中精确预测并改善现有的模型性能，实验表明，与基准线相比，该方法产生 18% 的改进，进而提高模型评价的准确性。

Jun, 2021

新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

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

COVID-19 预测的跨时间序列关注模型

本文旨在探讨是否可以用直接的数据驱动方法有效地预测 COVID-19 病例数量，利用新型机器学习方法 Attention Crossing Time Series（ACTS）成功地在预测新冠病毒感染病例中胜出 18 项测试中的 13 项，表现出比传统的基于隔离 (如 SIR 和 SEIR) 的传染病传播模型更为优异的结果。

Oct, 2020