本研究提出一种基于数据建模的决策支持系统，能够预测病例数量，进行资源分配和封锁管理以在不同级别的政府机关管理 COVID-19，并开发了基于 MATLAB 的 GUI 进行实现。

Mar, 2022

在这篇文章中，我们提出了一种基于深度学习估计疫情参数的流行病学参数预测工具包，结合遗传算法组件搜索决策制定者设定的约束和目标的最优权衡 / 政策来预测病例和死亡，并且实验结果表明我们的方法比 75% 的传统基于规则的流行病学模型预测出错率更低，在学习转移和未见过的国家测试的情况下实现了 95% 的 R2 得分。

Jun, 2020

本研究探讨了基于 Empirical Cumulative Distribution Function（ECDF）的距离度量方法，以测量时间序列数据中的 ML - 预测方法的可靠性和鲁棒性估计，提出了 SDD-based 可靠性估计（StaDRe）和 SDD-based 鲁棒性估计（StaDRo）措施，并可提供数据集 SDD 与 ML 模型的关键绩效指标之间的联系。

Jun, 2022

该研究通过将风险定位集成到警报策略中，通过动态生存分析 (DSA) 推进医疗保健中的早期事件预测 (EEP)。通过将 DSA 模型与传统 EEP 基准进行适应和评估，我们的研究表明它们能够在时间步级别上与 EEP 模型相匹配，并通过一种新的警报优先级方案显著提高事件级别指标 (最高 11% 的 AuPRC 差异)。这种方法代表了预测性医疗保健的重大进展，为早期事件预测和管理提供了更细致入微、可操作的框架。

Mar, 2024

介绍了基于支配关系的粗糙集方法 (DRSA) 作为一种机器学习和知识发现方法来处理多准则决策辅助 (MCDA) 并应用于知识发现和数据挖掘。回顾了 DRSA 的基本原理和主要概念，并重点介绍了该方法的发展和软件。并详细讲述了 Roman Słowiński 对该方法的贡献和历史构建。

Oct, 2022

基于产品空间和输入输出矩阵，我们提出了一种推荐系统，旨在促进分布式制造，通过推荐每个公司的当地供应商列表，以提高生产供应链的适应性和弹性。

Dec, 2021

我们提出了一种流行病学模型，它可以通过变分数据同化实时地整合新数据，用于预测和评估全球隔离措施的社会和经济成本，并分析和讨论中国、美国和意大利的感染率，尤其是我们开发了一个适用于中国城市疫情相关变量的定制隔室 SIR 模型，称为 SITR 模型，并应用混合数据同化方法使结果鲁棒性更强。

Apr, 2020

本研究应用基于图卷积神经网络的动态连接 GraphSAGE 模型，通过空间时间图研究了全球范围内 COVID-19 疫情传播与人类流动的关系，通过场所敏感度分析找到了导致疫情爆发的主要区域，并提出了空中交通减少方案，为政策决策提供了有效参考。

Oct, 2022

该研究介绍了一种基于半监督深度嵌入聚类算法的数据驱动患者亚组的确定方法，该方法利用电子健康记录中的标签信息确定病人亚组，并找到从异质数据中获得的与临床相关的簇，从而有潜力找到不同结果的未诊断患者的新亚组，从而带来改进的治疗。

Dec, 2020

本文针对现有的测试问题不能很好地设计 STO 问题，提出了表示 STO 问题的简单概念，介绍了被之前的研究所忽视的重要问题特征，提出了一些设计准则和一种具有超强可扩展性的问题生成器以及 12 个 STOPs 的基准套件，可以用来比较不同的 STO 算法。

Apr, 2023