Epi$^2$-Net：基于物理启发神经网络的疫情动力学预测
机器学习
2025-08-05 v1 人工智能
摘要
推进疫情动力学预测对于实施有针对性的干预和维护公共健康至关重要。当前方法主要分为两类：基于机制的模型和数据驱动的模型。基于机制的模型受限于预定义的 compartments 结构和简化的系统假设，限制其建模复杂现实动力学的能力；而数据驱动模型仅关注内在数据依赖关系，缺乏物理或流行病学约束，易产生偏置或误导性表征。虽然近期研究尝试将流行病学知识整合到神经架构中，但大多数方法无法在显式物理先验与神经表征之间实现和谐。为克服这些障碍，我们引入Epi-Net，一种基于物理启发神经网络的疫情预测框架。具体而言，我们提出从物理传输视角重新概念化疫情传播，引入神经疫情传输（neural epidemic transport）的概念。进一步，我们构建物理启发的深度学习框架，将物理约束与神经模块集成以建模疫情动力学的时空模式。在真实数据集上的实验表明，Epi-Net在疫情预测方面优于最先进的方法，为未来疫情控制提供了有前景的解决方案。代码已公开于：https://anonymous.4open.science/r/Epi-2-Net-48CE。
引用
@article{arxiv.2508.02049,
title = {Epi$^2$-Net: Advancing Epidemic Dynamics Forecasting with Physics-Inspired Neural Networks},
author = {Rui Sun and Chenghua Gong and Tianjun Gu and Yuhao Zheng and Jie Ding and Juyuan Zhang and Liming Pan and Linyuan Lü},
journal= {arXiv preprint arXiv:2508.02049},
year = {2025}
}