利用欧洲数据进行国家间传染病预测的跨国家学习

准确预测传染病发病率对于公共卫生规划和及时干预至关重要。虽然大多数数据驱动的预测方法主要依赖于单个国家的历史数据，但这些数据在长度和变异性上通常有限，限制了机器学习（ML）模型的性能。在这项工作中，我们研究了一种用于传染病预测的跨国家学习方法，其中单个模型在来自多个国家的时间序列数据上进行训练，并在目标国家上进行评估。这种设置使模型能够利用跨国家共享的流行病动态，并从扩大的训练集中受益。我们通过一个关于塞浦路斯COVID-19病例预测的案例研究来检验这种方法，使用了来自欧洲国家的监测数据。我们评估了多种ML模型，并分析了回溯窗口长度和跨国家“数据增强”对多步预测性能的影响。我们的结果表明，纳入其他国家的数据可以带来比仅在国家数据上训练的模型更一致的改进。虽然实证重点是塞浦路斯和COVID-19，但所提出的框架和发现更广泛地适用于传染病预测，特别是在国家历史数据有限的场景中。