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

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

本文使用动态贝叶斯网络和神经网络结合的方法，预测患者 40 小时内的生命体征和血液分析结果，并分类评估其疾病严重程度，以便将更有限的资源分配给需要重症监护的患者。

Mar, 2023

本文提出了一种扩展 SIkJα 模型的方法，利用快速线性回归从众多复杂因素中学习少量参数来预测死亡人数以应对 COVID-19 疫情，并将其与 CDC 当前使用的七种方法进行比较，发现我们的方法在大多数评估期内可以达到更好的效果。

Jul, 2020

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

该研究提出了两种新的模型方法来预测 COVID-19 感染人数，分别为基于字典的方法和可拟合曲线的混合方法，通过子人群的线性组合进行建模，对 187 个国家的数据进行了实证研究，发现该字典方法在预测中表现最优。

Feb, 2023

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。

Aug, 2017

本研究使用 Hamiltonian Monte Carlo 和贝叶斯回归构建创新的分析框架，旨在估计 COVID-19 对不同类型餐厅顾客行为的变化点，从而为餐厅业主和政策制定者提供对疫情影响的理解。

Apr, 2024

该论文提出了一种利用推特数据进行监测和响应的 COVID-19 系统，帮助南亚东部国家的卫生管理者理解其医疗设施的负担和方向调配资源，尤其是针对医院患者数量的激增和缺乏呼吸机等关键设备。

Jul, 2020