ICLRJun, 2021

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

PDF
TL;DR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。
real-time forecastingbackfill phenomenoncovid-19neural frameworkmodel performance
发现论文，激发创造
  • 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

  • 一种基于实时信号和数据同化的流行病预测参数预测新方法

    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

  • 流感和 COVID-19 疫情下的历史疾病预测模型引导

    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

  • 基于物理学与数据驱动建模的动态系统学习方法

    本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

    Nov, 2020

  • 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

  • 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

  • 使用新病毒变异和疫苗有效性模型进行 COVID-19 预测

    本文利用长期记忆机器学习方法预测 COVID-19 新感染病例日趋势，并探讨疫苗的保护效力、衰减和不同变异体的传染力。结果发现，第二针和第三针疫苗的保护力分别为 0.24 和 0.95，并使用提取出的相关参数复制了日本三个地区的新病例。

    Jan, 2022

  • COVID-19 期间导航外部配电负荷预测：利用人类流动性的持续学习方法

    基于深度学习算法和连续学习技术的能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。

    Sep, 2023

  • COVID-19 预测的严格基线和美国、俄罗斯的机器学习视角

    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

  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023