PEMS:预训练的疫情时间序列模型
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
本文提出了一种基于Inter- and Intra-Series Embeddings Fusion Network (SEFNet) 的方法,该方法通过捕捉来自多个地区的时间序列之间的动态依赖关系和时间依赖关系来提高预测流行病的性能,并在四个真实数据集上实验证明,该方法优于其他最先进的基线方法。
Aug, 2022
该研究提出了一个框架,可以通过机器学习算法从流行病学模型中学习,为流行病规划提供帮助,并通过Apache-2.0授权发布该工作,以提高基于证据的决策制定的能力。
Oct, 2022
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
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
社交媒体为时事趋势和事件提供了便捷获取信息的平台,我们通过开发一个提取和分析社交媒体帖子中流行病相关事件的框架,利用事件检测技术实现更好的灾害预防和预警,为新兴流行病的应对提供了基础。
Apr, 2024
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
EpiLearn是一个Python工具包,用于建模、模拟和分析流行病数据,通过机器学习方法支持流行病建模的评估和分析,包括模拟、可视化、转换等各种综合工具,并提供了一个训练和评估流行病模型的统一框架,用于预测和源检测任务,以及开发新模型的灵活和易用性,同时还开发了一个交互式Web应用程序来可视化真实或模拟的流行病数据。
Jun, 2024
本研究解决了现有深度学习方法忽视流行病动态特性的缺陷,提出了一种创新的端到端框架EARTH,以更好地理解和预测传染病传播。通过结合神经常微分方程与流行病机制,EARTH显著提升了对真实世界疫情的预测能力。
Sep, 2024