面向可泛化的气候感知疫情预测深度学习框架
机器学习
2025-10-23 v1
摘要
精确预测传染病的爆发对于有效的公共卫生响应和疫情控制至关重要。机器学习（ML）方法在时间序列预测方面的不断发展为提高疫情预测提供了引人入胜的途径。尽管 COVID-19 爆发表明将 ML 模型应用于预测疫情进程的价值，但使用 ML 模型预测常住病（endemic diseases）仍未得到广泛探索。本文提出 ForecastNet-XCL（基于 XGBoost+CNN+BiLSTM 的集成模型），构建一个深度学习混合框架，以解决这一问题，基于气候和时间数据，无需实时监测 RSV 即可实现长期（最高可达 100 周）的准确 RSV 预测。该框架结合了高分辨率特征学习与长范围时序依赖捕获机制，并通过在气候控制的滞后关系上训练的自回归模块加以强化。蒙特卡洛推断返回概率区间，以 inform 决策。我们在 34 个美国州进行评估，ForecastNet-XCL 在 within 和 cross 州情景中均优于统计基线、单个神经网络和传统集成方法，保持准确性持续多年。训练于气候上具有多样性的数据集进一步提升了泛化能力，尤其是在具有不规则或二年一度 RSV 变模式的地区效果尤佳。ForecastNet-XCL 的效率、性能和不确定性感知设计使其成为应对日益加剧的气候压力和受限监测资源的可部署早期警报工具。
引用
@article{arxiv.2510.19611,
title = {A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting},
author = {Jinpyo Hong and Rachel E. Baker},
journal= {arXiv preprint arXiv:2510.19611},
year = {2025}
}