基于Markov切换固定滞后粒子滤波器用于超出序列测量的疾病暴发检测
应用统计
2025-12-02 v1
摘要
粒子滤波器(PF)已成为疾病监测的 essential工具，因其能够估计非线性和非高斯模型中隐藏的流行病状态。在流行病建模中，人口动态可能由不同阶段（如潜伏期或暴发期）控制，这些阶段可表示为Markov切换状态空间模型。在许多实际监测系统中，数据常常以延迟或错误的时序到达，导致超出序列(OOS)测量，这些测量 pertain to过去的时间点而非当前时间点。虽然现有PF方法可通过粒子重加权纳入OOS测量，但这些方法在完全调整过去潜在轨迹方面受限。为此，我们引入一种Markov切换固定滞后粒子滤波器(FL-PF)，通过在用户指定的滞后窗口内重新模拟粒子轨迹，使OOS测量能够对状态和模型估计进行反式更新。通过显式重评估历史样本，FL-PF提高了暴发检测的准确性和时效性，减少了误报。我们还展示了如何在FL-PF框架内计算对数似然值，从而实现基于Sequential Monte Carlo squared(SMC)的参数估计。这些贡献扩展了PF在retrospective数据常见的监测系统的适用性，为监控疾病暴发和参数推断提供了更稳健的框架。
引用
@article{arxiv.2512.01639,
title = {Improved Disease Outbreak Detection from Out-of-sequence measurements Using Markov-switching Fixed-lag Particle Filters},
author = {Conor Rosato and Joshua Murphy and Siân E. Jenkins and Paul Horridge and Alessandro Varsi and Martyn Bull and Alessandro Gerada and Alex Howard and Veronica Bowman and Simon Maskell},
journal= {arXiv preprint arXiv:2512.01639},
year = {2025}
}
备注
23 Pages