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
本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。
Aug, 2020
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
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
本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。
Jul, 2020
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
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
利用基于人工智能的方法，通过对中国新冠疫情数据的分析和预测，预测出新冠病毒传播的规律并达到了较高的预测精度，可以对公共卫生规划和政策制定提供很好的支持。
Feb, 2020
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。