本文提出了一种新的基于维基百科网页访问日志的监测传染病的方案，并且通过实验证明这种方法具有高准确性和预测能力，可以用于全球各地的使用。

May, 2014

通过新提出的潜在影响点过程模型 (Latent Influence Point Process，LIPP) 来量化传染病在人口密集地区的内部动态对事件发生的反馈（触发区域性爆发疫情的前期病例存在的可能性），并研究了昆士兰州 15 年的登革热病例，发现爆发主要由州间全局扩散所驱动，而密集地区的疫情受到前期流行病的缓慢而持续的反馈，而边缘区域的疫情则受到快速但不稳定的反馈。该模型揭示了不同组之间的直接和间接扩散过程以及基于接触和向量传播疾病的概率因果关系。

Jan, 2018

研究以无实际训练数据为基础，利用基于特征的时间序列分类方法准确预测疾病爆发和非爆发。通过对合成数据和真实数据集的测试，发现在爆发发生之前可以通过统计特征和早期预警信号指示器区分爆发和非爆发序列。

Apr, 2024

本研究通过结合多个不同参数的 SEIR 模型的流行病曲线，生成了三个复杂的流行病情景，并考察了流行病学参数估计的目前现状和局限性，结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。

Jun, 2021

本文研究了航空运输网络的大规模特性对新发传染病全球传播演变的作用，并提出了一种考虑全球航空旅行基础设施和人口普查数据的全球流行疫情预测的随机计算框架。我们定义了一组能够表征传染病模式的异质性和可预测性的新量化指标，可以用于分析遏制政策和流行病风险评估。

Jul, 2005

本文利用动态因果模型和集成动力学，通过对干预和不同人群间的差异进行建模，量化了冠状病毒在不同情况下的不确定性和预测。同时，该研究还观察到了群体免疫导致的非线性影响和自组织缓解过程方面的有趣现象。

Apr, 2020

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

使用深度学习算法基于噪声引起的传染病传播模型进行训练，提供了传染病暴发的早期警示指标，对真实 COVID-19 病例和受噪声影响的多样疾病传播模型的模拟时间序列的应用结果表明，该指标能够捕捉到疾病暴发时间序列的变化并且优于现有的指标，这对于提升公共卫生应对能力具有重要意义。

Mar, 2024

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

本文研究人类移动性在感染病毒建模中的重要性，并通过分析 29 个国家的移动数据和构建重力模型，以及将短程通勤流纳入全球疫情结构化流行病模型中，证明通勤流的引入会影响到疫情在近距离群体中的传播，但对全球模式的影响相对较小。

Jul, 2009