网络拓扑 matters，但并非总是如此：流行病预测中的 mobility 网络
物理与社会
2025-10-24 v1 计算机与社会
摘要
短期流行病预测指导近期的人力调配、检测和信息发布。 mobility 数据如今被常规用于改进此类预测，但工作在 mobility 量级与 mobility 网络结构中携带最重要预测信号方面存在分歧。我们研究了马萨诸塞州的镇县（2020年4月至2021年4月），从匿名智能手机轨迹构建每周有向 mobility 网络，推导动态拓扑度量，并评估其对一周-ahead COVID-19 预测的离样价值。我们比较使用仅宏观发病率的模型、加入 mobility 网络特征及其与宏观发病率的交互作用的模型，以及包含镇级近期病例的自回归（AR）模型。首先，在缺乏细粒度镇级病历时，网络信息（尤其是宏观发病率与镇级网络位置之间的相互作用）可实现显著的离样提升（Predict-R2 从 0.60 提升至 0.83-0.89）。其次，在镇级病历可及时获取时，AR 模型捕获了大部分短期可预测性；加入网络特征仅提供最小的增量提升（约 +0.5 个百分点）。网络信息的提升在流行病浪潮和上升阶段最为显著，这时连接性和发病率发生快速变化。代理基模在受控动力学下再现这些模式，简单解析分解阐明了网络相互作用为何在仅有宏观层面计数时解释大部分横截面方差，但一旦包含近期镇级病历后解释的方差大幅减少。综合结果提供一种实用决策规则：当本地病历粗糙或延迟时，计算网络度量（及其相互作用）；当细粒度病历及时时，主要依赖 AR 基线，使用网络信号主要用于诊断性定位。
引用
@article{arxiv.2510.20025,
title = {Network Topology Matters, But Not Always: Mobility Networks in Epidemic Forecasting},
author = {Sepehr Ilami and Qingtao Cao and Babak Heydari},
journal= {arXiv preprint arXiv:2510.20025},
year = {2025}
}