基于仓室原型的流行病时间序列预测器预训练
机器学习
2026-02-25 v6
摘要
准确的流行病预测对疫情防范至关重要，但现有的数据驱动模型往往较为脆弱。这些模型通常针对单一病原体进行训练，在新疫情暴发时面临数据稀缺的困境，并在病毒演化或干预措施导致的分布偏移下失效。然而，数十年的监测数据以及来自不同疾病的各种仓室模型设计，提供了一种尚未开发的、可迁移的知识来源。为了利用历史中的集体经验，我们提出了CAPE，这是首个用于流行病预测的开源预训练模型。与忽视流行病学挑战的现有时间序列基础模型不同，CAPE将流行病动力学建模为潜在仓室人口状态的混合，我们称之为“仓室原型”。它直接从大量模拟数据中建模一个灵活的仓室原型字典，使得每次疫情暴发都能被表达为一个时变混合，将观察到的感染情况与潜在的人口状态联系起来。为了促进鲁棒的泛化能力，CAPE在预训练期间采用下一标记预测范式，并辅以轻量级的流行病感知正则化，使学习到的原型与流行病学语义对齐。在一个涵盖17种疾病的综合基准测试上，CAPE通过零样本预测显著优于强大的基线模型。这项工作代表了迈向既有可迁移性又有流行病学基础的预训练流行病模型的一个原则性步骤。我们的代码见：https://github.com/nuuuh/CAPE。
引用
@article{arxiv.2502.03393,
title = {Pre-training Epidemic Time Series Forecasters with Compartmental Prototypes},
author = {Zewen Liu and Juntong Ni and Bohan Wang and Max S. Y. Lau and Wei Jin},
journal= {arXiv preprint arXiv:2502.03393},
year = {2026}
}
备注
version 3.0