使用神经网络预测 infectious disease prevalence 及其不确定性

传染病对人类和经济都造成了重大负担。准确预测疾病发病率可以使公共卫生机构有效应对现有或新出现的疾病。尽管已有所进展，但开发准确的预测模型仍是一个重大挑战。本论文提出了两种基于神经网络（NN）的方法性框架，并附带不确定性估计——这一关键要素至今限制了NN在流行病预测中的应用。我们通过对美国的流感样疾病（ILI）进行预测来构建这些框架。我们首先提出的方法利用Web搜索活动数据与历史ILI率作为训练观测值，构建NN架构。我们的模型包含贝叶斯层，能够产生不确定性区间，自身即是更传统方法的合法替代方案。最佳-performing architecture：迭代循环神经网络（IRNN），在四个流感季节的预测任务中，平均将平均绝对误差降低10.3%，技能提升17.1%。我们进一步通过改变IRNN中的抽样程序来改进不确定性估计，构建了IRNN。我们第二个框架使用神经常微分方程（neural ODE）来弥合机械特性模型和NN之间的差距；从而受益于机械特性模型所提供的物理约束。我们评估了八个神经ODE模型，利用ILI率和Web搜索活动数据的混合物，提供预测。这些模型与IRNN和IRNN0（仅使用ILI率的IRNN）进行比较。没有Web搜索活动数据训练的模型相对于IRNN0在技能方面提升16%。未来工作应聚焦于更有效地将神经ODE与Web搜索数据结合，以与最佳-performing的IRNN竞争。