通过使用 Modified Morris 方法和深度学习的时间序列模型 Temporal Fusion Transformer，该研究确定了 COVID-19 传播中最具影响力的年龄群体为 18 至 39 岁，结果可用于指导公共卫生政策和干预措施，并证明了特征敏感性分析在确定 COVID-19 传播的关键因素方面的实用性。

Jul, 2023

使用基于 Transformer 的机器学习模型，利用自我关注机制从时间序列数据中学习复杂模式和动态，可以准确预测流感样疾病 (ILI) 等时间序列数据，并已超越当前领先的方法。

Jan, 2020

通过使用 Deep Transformer 模型，利用深度学习预测 COVID-19 在印度尼西亚的传播率，模型使用 Pre-Layer Normalization 和 Adamax 优化器训练的结果表现最佳。

Jul, 2022

本研究使用卷积神经网络检测 COVID-19，使用谱图和 F0 等特征解释神经网络判定过程，生成热图来捕捉模型决策过程，结果显示谱图相关能量高的区域对决策过程起主导作用，同时 F0 也有帮助。研究表明，即使在训练集中存在虚假数据的情况下，所研究的模型也可以做出无偏差的决策，为基于解释性人工智能的研究提供了参考。

Nov, 2022

通过追踪特定美国州 COVID-19 子版块 Reddit 帖子的句子级表示的高密度聚类，我们将基于转换器的语言模型纳入了传染病建模中，并在许多高质量数据集中进行基准测试。结果表明，除了其他特征类型之外，这些聚类嵌入特征在预测传染病上升趋势信号方面表现最好，对于流行病学数据不可靠的领域具有重要意义。随后，在时间序列预测任务中，我们充分利用了以上模型的预测能力，并比较了使用不同补充数据集作为协变量特征集时，基于转换器的时间序列模型的相对优势。

May, 2022

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

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

本文提出了一种将机器学习技术融入到疾病隔室建模中，以预测 COVID-19 发展的新方法，并展示了其在美国州和县级别的应用。结果表明，我们的模型提供了更准确的预测和有意义的解释，具有可解释性和信任度。

Aug, 2020

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