超越曲线拟合：面向情景感知的神经符号智能体用于流行病预测
机器学习
2025-12-01 v1 多智能体系统
摘要
有效监测手足口病（HFMD）需要考虑流行病学模式和如学校日历和天气等情景驱动因素的预测。虽然经典模型和最近的基础模型（如 Chronos、TimesFM）整合了协变量，但往往缺乏解释冲突驱动因素之间因果相互作用的语义推理能力。本文提出一种两智能体框架，将情景解释与概率预测解耦。一个 LLM "事件解释器"处理包括学校日历、气象概述和报告在内的异构信号，生成表示传播影响的标量信号。神经符号核心 then 将此与历史病例计数结合，以产生已校准的概率预测。我们在来自香港（2023-2024 年）和中国浙江省丰城市（2024 年）的真实世界 HFMD 数据集上进行评估。与传统和基础模型基准相比，我们的方法在保持竞争的点预测准确性的同时，提供了稳健的 90% 预测区间（覆盖率 0.85-1.00），并提供人类可解释的理由。我们的结果表明，通过 LLMs 结构性地集成领域知识可匹配最先进的性能，同时产生与公共卫生工作流程一致的情景感知预测。代码地址：https://github.com/jw-chae/forecast_MED。
引用
@article{arxiv.2511.23276,
title = {Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting},
author = {Joongwon Chae and Runming Wang and Chen Xiong and Gong Yunhan and Lian Zhang and Ji Jiansong and Dongmei Yu and Peiwu Qin},
journal= {arXiv preprint arXiv:2511.23276},
year = {2025}
}