EpiLLM：大型语言模型在流行病预测中的潜力挖掘

高级的流行病预测对于实现精准控制策略至关重要，凸显了其对公共卫生安全的战略重要性。虽然近期大型语言模型 (LLM) 的进展表明其作为特定领域任务的基础模型具有有效性，但其在流行病预测中的潜力仍鲜有探索。本文引入EpiLLM，一个专为时空流行病预测量身定制的 LLM 框架。考虑到现实世界流行病传播的关键因素：感染病例和人类 mobility，我们引入双分支架构，以实现此类复杂流行病模式与语言标记之间的细粒度对齐，以适应 LLM。为发掘 LLM 架构的多步预测和泛化潜力，我们提出了自回归建模范式，将流行病预测任务重新表述为下一个标记的预测。为进一步增强 LLM 对流行病的感知能力，我们引入时空提示学习技术，从数据驱动的角度强化预测能力。大量实验表明，EpiLLM 在真实世界的 COVID-19 数据集上显著优于现有基线，并呈现出 LLM 特征的比例效应。