面向流行病预测的神经参数校准与不确定性量化
机器学习
2025-07-04 v1 最优化与控制
物理与社会
摘要
最近的 COVID-19 大流行凸显了准确预测传染病动态和学习感染参数的重要性。同时，有效的政策制定需要了解此类预测的不确定性，例如，以便能够为最坏情况准备好医院和重症监护病房，同时避免不必要的资源浪费。在这项工作中，我们将一种新颖且强大的计算方法应用于学习传染病参数的概率密度并为流行病预测提供不确定性量化的问题。我们使用神经网络将 ODE 模型校准到 2020 年柏林 COVID-19 传播数据，实现了比基于马尔可夫链蒙特卡洛（MCMC）的采样方案显著更准确的校准和预测。我们预测的不确定性为感染数字和住院率等提供了有意义的置信区间，而训练和运行神经方案只需几分钟，而 MCMC 则需要数小时。我们在一个简化的流行病 SIR 模型上展示了我们的方法收敛到真实后验，并在一个缩减的数据集上展示了我们方法的学习能力，其中从一个可获取数据的少量仓室中学习到了一个复杂模型。
引用
@article{arxiv.2312.03147,
title = {Neural parameter calibration and uncertainty quantification for epidemic forecasting},
author = {Thomas Gaskin and Tim Conrad and Grigorios A. Pavliotis and Christof Schütte},
journal= {arXiv preprint arXiv:2312.03147},
year = {2025}
}