用于流行病预测的基于外生变量推断传播率动力学的模型学习框架
定量方法
2024-10-16 v1 机器学习
数值分析
数值分析
摘要
在这项工作中,我们旨在形式化一种新颖的科学机器学习框架,通过纳入外生变量(如环境条件和毒株特异性特征)的影响,来重建传播率的隐藏动力学,其不准确的外推会显著损害流行病预测的质量。我们提出了一种混合模型,将数据驱动层与基于物理的层融合在一起。数据驱动层基于一个神经常微分方程,该方程学习传播率的动力学,并以气象数据和波特异性潜在参数为条件。而基于物理的层则由一个标准的SEIR房室模型组成,其中传播率作为一个输入。学习策略遵循端到端方法:损失函数量化实际感染人数与从SEIR模型获得的数值预测之间的差异,该SEIR模型将神经常微分方程预测的传播率作为输入。我们使用合成测试用例和基于意大利2010年至2020年间气象数据(温度和湿度)和流感数据的真实测试用例验证了这种原创方法。在两种场景下,我们在测试集上实现了低泛化误差,并观察到重建模型与关于气象因素对流行病传播影响的既定发现之间的强一致性。最后,我们实现了一种数据同化策略,以使神经方程适应所研究流行病波的具体特征,并对网络超参数进行了敏感性测试。
引用
@article{arxiv.2410.11545,
title = {A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts},
author = {Giovanni Ziarelli and Stefano Pagani and Nicola Parolini and Francesco Regazzoni and Marco Verani},
journal= {arXiv preprint arXiv:2410.11545},
year = {2024}
}