用于时空流感预测的生成式扩散模型
机器学习
2026-04-29 v1 种群与进化
摘要
预测传染病发病率可为公共卫生规划提供重要信息，但因疫情动力学复杂，往往难以捕获。当前机制模型和统计方法常难以捕获多模态不确定性或新兴趋势。Influpaint 将去噪扩散概率模型应用于疾病预测。通过将流感季节编码为表示发病率的时空图像（其中像素强度表示发病率），Influpaint 从混合数据集（包括监测数据和仿真轨迹）中学习疾病动力学的丰富分布。预测被形式化为从部分观测进行条件生成（填充）任务。我们表明，Influpaint 生成真实且多样化的疫情轨迹，预测准确率与领先的集合方法在回顾性评估中相当。在2023-2025年美国 CDC FluSight 挑战的实时评估中，表现随季节显著提升，2024-2025年实现高度准确但略显乐观的预测。最佳表现来自包含 30% 监测数据和 70% 仿真轨迹的训练数据集。这些结果表明，扩散模型能够捕获流感动力学中重要的时空结构，为概率性传染病预测提供了灵活框架。
引用
@article{arxiv.2604.24913,
title = {Generative diffusion models for spatiotemporal influenza forecasting},
author = {Joseph Lemaitre and Justin Lessler},
journal= {arXiv preprint arXiv:2604.24913},
year = {2026}
}