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

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

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

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

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

本篇论文提出了基于跨地区关注机制的图神经网络来学习时序嵌入和位置感知关注，以及将图消息传递框架与关注矩阵相结合建模疾病传播，经真实世界的流行病相关数据集的比较，本文所提出的方法表现出强大的预测性能和长期疫情预测的可解释性结果。

Dec, 2019

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

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

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

在 COVID-19 大流行期间，人们致力于开发基于机器学习的流行病预测技术，但不存在基准来宣称新的 AI/ML 技术是否比现有技术更好。因此，本文提出了 EpiBench，这是一个由社区驱动的基准平台，旨在标准化新型 AI/ML 技术在流行病预测中的应用，并使之达到人类专家的水平。

Feb, 2021