基于物理信息深度学习的传染病预测
机器学习
2025-04-30 v2 定量方法
摘要
准确预测传染性疾病对于公共卫生决策和疫情准备至关重要。我们提出了一种新的传染病预测模型，基于物理信息神经网络（PINN），这是一种新兴的科学机器学习方法。通过将黄金比例模型嵌入损失函数，该方法将流行病学理论与数据相结合，有助于防止模型过拟合。我们进一步通过一个子网络来增强模型，考虑包括人员 mobility 和累计疫苗剂量等协变量，这些因素影响传播率。使用来自加州的联邦COVID-19数据，我们证明了PINN模型能够准确预测病例、死亡人数和住院情况，与现有基准结果良好一致。值得注意的是，PINN模型优于naive基准预测以及几种序列深度学习模型，包括循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）和Transformer。它还实现了与一种精细的高斯感染状态预测模型相当的性能，该模型结合了黄金比例动力学、数据观察模型和参数回归。然而，PINN模型结构更简单，实施更容易。总之，我们系统地评估了PINN模型预测传染病动力学的能力，证明了其作为一种高效计算工具以强化预测能力的潜力。
引用
@article{arxiv.2501.09298,
title = {Physics-informed deep learning for infectious disease forecasting},
author = {Ying Qian and Kui Zhang and Éric Marty and Avranil Basu and Eamon B. O'Dea and Xianqiao Wang and Spencer Fox and Pejman Rohani and John M. Drake and He Li},
journal= {arXiv preprint arXiv:2501.09298},
year = {2025}
}