基于先验知识增强的时空流行病预测
机器学习
2026-05-22 v2 种群与进化
摘要
时空流行病预测对于公共卫生管理至关重要，但现有方法常面临对弱信号不敏感、空间关系过于简化以及参数估计不稳定等问题。为此，我们提出了一种新型混合框架——时空先验感知流行病预测器（STOEP），其集成了隐式时空先验与显式专家先验。STOEP包含三个关键组件：（1）基于病例的邻接学习（CAL），动态调整基于历史感染模式的 mobility 相关区域依赖关系；（2）空间感知参数估计（SPE），利用可学习的空间先验放大弱流行病信号；（3）基于滤波的机制性预测（FMF），采用专家引导的自适应阈值策略对流行病参数进行正则化。在真实世界的新冠肺炎和流感数据上的大规模实验表明，STOEP相较于最佳基线方法以11.1%的 RMSE提升。该系统已部署在中国的一个省级疾病控制中心，以支持下游应用。
引用
@article{arxiv.2602.22270,
title = {Prior Knowledge-enhanced Spatio-temporal Epidemic Forecasting},
author = {Sijie Ruan and Jinyu Li and Jia Wei and Zenghao Xu and Jie Bao and Junshi Xu and Junyang Qiu and Shuliang Wang and Xiaoxiao Wang and Hanning Yuan},
journal= {arXiv preprint arXiv:2602.22270},
year = {2026}
}
备注
12 pages, 10 figures, accepted to IJCAI 2026