基于增广数据的神经网络用于鲁棒性流行病预测：意大利新冠肺炎应用
数值分析
2025-11-17 v2 机器学习
数值分析
摘要
本文提出一种数据增强策略，旨在提高神经网络训练阶段的准确性，从而提高其预测精度。我们的做法依赖于通过合适的包络模型结合不确定性 incorporation 来生成合成数据。随后利用可用数据对模型进行校准，并进一步集成深度学习技术以产生用于训练的额外合成数据。结果表明，训练于这些增广数据集上的神经网络在预测性能上显著优于传统方法。我们特别关注两种不同的神经网络架构：物理信息神经网络(PINNs)和非线性自回归(NAR)模型。特别是，NAR 方法在短期预测方面尤为有效，通过直接从数据中学习动力学，避免了将物理约束嵌入训练中的额外计算成本。相比之下，PINNs 虽然在定量预测上不够准确，但捕捉了系统的定性长期行为，更适合用于探索更广泛的动力学趋势。对意大利伦巴第地区(new COVID-19 第二阶段)的数值仿真验证了所提出方法的有效性。
引用
@article{arxiv.2510.09192,
title = {Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy},
author = {Giacomo Dimarco and Federica Ferrarese and Lorenzo Pareschi},
journal= {arXiv preprint arXiv:2510.09192},
year = {2025}
}