MiCA：用于轻量级疫情预测的移动性感知因果适配器
人工智能
2026-01-21 v2
摘要
准确预测传染病动态对公共卫生规划和干预至关重要。人类流动性在塑造疫情的空间传播中起着核心作用，但流动性数据存在噪声、间接且难以与疾病记录可靠整合的问题。同时，疫情病例时间序列通常较短，且以粗糙的时间分辨率报告。这些条件限制了依赖干净且丰富数据的参数量大的移动性感知预测器的有效性。在本工作中，我们提出了移动性感知因果适配器（MiCA），一个用于疫情预测的轻量级且架构无关的模块。MiCA通过因果发现推断移动性关系，并通过门控残差混合将其整合到时间预测模型中。这种设计允许轻量级预测器选择性地利用移动性衍生的空间结构，同时在噪声和数据受限条件下保持鲁棒性，而无需引入图神经网络或全注意力等重型关系组件。在四个真实世界疫情数据集（包括COVID-19发病率、COVID-19死亡率、流感和登革热）上的广泛实验表明，MiCA持续改进轻量级时间骨干网络，在各个预测范围内实现了平均7.5%的相对误差降低。此外，MiCA在保持轻量级的同时，实现了与SOTA时空模型相竞争的性能。
引用
@article{arxiv.2601.11089,
title = {MiCA: A Mobility-Informed Causal Adapter for Lightweight Epidemic Forecasting},
author = {Suhan Guo and Jiahong Deng and Furao Shen},
journal= {arXiv preprint arXiv:2601.11089},
year = {2026}
}