MP-PINN：用于流行病预测的多阶段物理信息神经网络
人工智能
2024-11-12 v1 机器学习
摘要
预测流行病中病毒传播等时间过程通常需要的不仅仅是观测到的时间序列数据，尤其在疫情波次初期数据有限时更是如此。传统方法采用SIR族等机制模型，对底层传播过程做出强假设，通常表示为一组紧凑的微分方程。深度学习等数据驱动方法不做此类假设，可以更详细地捕捉生成过程，但由于数据限制在长期预测中表现不佳。我们提出了一种新的混合方法MP-PINN（多阶段物理信息神经网络），以克服这两种主要方法的局限性。MP-PINN将传播机制植入神经网络中，使该机制能够随时间分阶段更新，反映由于政策干预引起的流行病动态。在COVID-19疫情波次上的实验表明，MP-PINN在短期和长期预测方面均优于纯数据驱动或纯模型驱动的方法。
引用
@article{arxiv.2411.06781,
title = {MP-PINN: A Multi-Phase Physics-Informed Neural Network for Epidemic Forecasting},
author = {Thang Nguyen and Dung Nguyen and Kha Pham and Truyen Tran},
journal= {arXiv preprint arXiv:2411.06781},
year = {2024}
}