通过使用传统的状态空间模型、监督学习技术和深度网络，结合气象数据和搜索引擎趋势作为特征，本研究对新加坡每周登革热病例进行了预测，发现使用卷积神经网络能够以最低的 RMSE 预测 2019 年的每周病例。

Jun, 2024

本文研究了气候数据和蚊媒婴幼虫指数对登革热爆发的影响。通过对各种 LSTM 模型进行比较研究，选择双向堆叠 LSTM 网络分析了印度泰米尔纳德邦 2014 年至 2020 年期间收集的时序气候数据和健康数据。将蚊子幼虫指数纳入模型可以显著提高模型的预测准确性，其是指示蚊媒病控制措施的重要指标。

Jun, 2023

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

我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

Sep, 2023

通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

Jun, 2022

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

通过利用高分辨率卫星图像作为非传统且易获取的数据源，结合 Vision Transformer、Radiomics 和长短时记忆等创新方法进行提取和整合，本研究旨在提高资源有限的国家的卫生公平性，实现对登革热的周流行趋势的预测，并发现卫星图像在缺乏手动收集数据且登革病毒流行严重的国家对登革热预测方面的有效性。

Jan, 2024

通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型，我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下，也可以实现高水平的预测技巧，并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析，探索了不同的损失函数、模型尺寸和深度以及多步细调的影响，并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能，并研究了模型规模对性能的影响。

Apr, 2024

此研究探讨了卫星图像中的景观特征在感染病预测模型中的应用，通过采用卷积神经网络从卫星数据中提取并标记的景观特征，结合巴基斯坦的登革热病例数据与 SIR 疫情模型，发现卫星图像中的景观特征能够显著提高疾病爆发的预测能力，对主动和战略性的监测和控制计划非常重要。

Apr, 2019

该研究论文介绍了一个基于人工智能的先进数据驱动的全球中程天气预报系统 FengWu，该系统从多模态和多任务的角度解决介质范围的天气预报问题，可在 0.25 度经纬度分辨率下预测未来 37 个垂直层次的地面和大气状态，与现有天气预报方法相比，FengWu 性能更佳。

Apr, 2023