基于物理信息神经网络的季节性流感预测
物理与社会
2026-05-20 v2
摘要
准确的流行病预测对于及时的信息决策和干预至关重要。虽然物理信息神经网络在各个科学领域都显示出了前景，但其在现实流行病预测中的应用仍鲜有探索。本文提出了 SIR-INN，这是一个混合预测框架，将经典易感-感染-康复 (SIR) 模型的机制结构整合到神经网络架构中。该模型在对合成流行病情景进行一次训练后，就能够在无需重新训练的情况下跨流行病条件进行泛化。从有限且噪声较大的观察数据中，SIR-INN 通过马尔可夫链蒙特卡罗方法推断关键传播参数，生成概率性的短期和长期预测。我们使用意大利国家卫生健康局在 2023-2024 和 2024-2025 两个流感季节的数据对 SIR-INN 进行了验证。该模型在加权区间分数等指标上与当前最先进的方法相称，几乎在所有 outbreak 阶段都表现出准确的预测性能，2024-2025 流感季节的预测准确性有所提升。信赖区间始终得到维持，覆盖度指标则显示在不确定性校准方面仍有提升空间。SIR-INN 提供了一个计算高效、透明且可泛化的流行病预测解决方案，合理地利用了该混合设计的优势。其能够提供流行病动力学实时预测，同时提供不确定性量化，使其成为现实世界流行病预测的有前景的工具。
引用
@article{arxiv.2506.03897,
title = {Forecasting Seasonal Influenza Epidemics with Physics-Informed Neural Networks},
author = {Martina Rama and Gabriele Santin and Giulia Cencetti and Michele Tizzoni and Bruno Lepri},
journal= {arXiv preprint arXiv:2506.03897},
year = {2026}
}