IDOBE：传染病暴发预测基准生态系统
机器学习
2026-04-30 v2 人工智能
种群与进化
摘要
疫情预测已成为实时传染病暴发响应中不可或缺的一部分。虽然由统计模型和机器学习模型组成的协作集成已成为实时预测的常规做法，但缺乏用于评估此类方法的标准化基准数据集。此外，对新型暴发且历史数据有限的方法性能仍缺乏理解。在本文中，我们提出 IDOBE，一个聚焦于暴发预测的精选疾病时间序列集合。IDOBE 汇集自多个数据仓库，涵盖一个世纪的监测数据，覆盖美国各州及全球地点。我们采用导数基方法对数据进行分段处理，生成超过 10,000 起暴发，覆盖多种结果如病例和住院情况，涉及 13 种疾病。我们考虑多种信息论和分布度量，以量化该数据集的流行病学多样性。最后，我们通过 11 个基线模型对进行 1- 至 4 周预测的多步短期预测，并报告其性能。除了用于点预测的标准指标如 NMSE 和 MAPE 外，我们还包括归一化加权区间得分（NWIS）等概率评分规则以量化性能。我们发现，基于 MLP 的方法表现最为稳健，统计方法在暴发前期略占上风。IDOBE 数据集及基线模型已公开于 https://github.com/NSSAC/IDOBE，以便标准化、可重复的暴发预测方法进行基准测试。
引用
@article{arxiv.2604.18521,
title = {IDOBE: Infectious Disease Outbreak forecasting Benchmark Ecosystem},
author = {Aniruddha Adiga and Jingyuan Chou and Anshul Chiranth and Bryan Lewis and Ana I. Bento and Shaun Truelove and Geoffrey Fox and Madhav Marathe and Harry Hochheiser and Srini Venkatramanan},
journal= {arXiv preprint arXiv:2604.18521},
year = {2026}
}
备注
11 pages, 6 figures