流行病建模中人类流动性预测综述：从 Transformer 到 LLM
机器学习
2024-04-29 v1 计算与语言
摘要
本文全面综述了利用机器学习技术（特别是 Transformer 模型）预测流行病期间人类流动性模式的最新进展。了解流行病期间人员的流动对于疾病传播建模和制定有效的应对策略至关重要。预测人口流动对于为流行病学模型提供信息以及促进公共卫生突发事件中的有效应对规划具有重要意义。预测流动性模式可以使当局更好地预判疾病的时空传播、更高效地分配资源并实施有针对性的干预措施。我们回顾了利用预训练语言模型（如 BERT）以及专为流动性预测任务定制的 Large Language Models (LLMs) 的多种方法。这些模型在捕捉文本数据中复杂的时空依赖关系和上下文模式方面展现出了巨大潜力。
引用
@article{arxiv.2404.16921,
title = {A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs},
author = {Christian N. Mayemba and D'Jeff K. Nkashama and Jean Marie Tshimula and Maximilien V. Dialufuma and Jean Tshibangu Muabila and Mbuyi Mukendi Didier and Hugues Kanda and René Manassé Galekwa and Heber Dibwe Fita and Serge Mundele and Kalonji Kalala and Aristarque Ilunga and Lambert Mukendi Ntobo and Dominique Muteba and Aaron Aruna Abedi},
journal= {arXiv preprint arXiv:2404.16921},
year = {2024}
}