SL-BiLEM：结构化可学习行为环形流行病建模用于预测与政策评估

流行病预测面临根本性挑战：人类行为会动态响应疾病传播，形成反馈回路，导致在政策干预点附近出现分布迁移，使数据驱动模型在分布迁移下不可靠。我们提出了 \textbf{SL-BiLEM}（Structured Learnable Behavior-in-the-Loop Epidemic Model），利用物理约束作为正则化实现稳健外推。该框架将有效传播分解为 $\beta_{\text{eff}}(t,g) = \beta_0(g) \times m_{\text{policy}}(t) \times m_{\text{media}}(t) \times m_{\text{comp}}(t,g)$，其中对所学习的从容函数施加单调性、光滑性和有限跳变约束，以维持在新政策情境下的预测有效性。除预测外，SL-BiLEM 还支持反事实分析以辅助干预决策。我们在三个真实数据集（邮轮船、学校流感和学校 district 新冠疫情监视）上验证预测，在带有已知真实值的合成基准上评估反事实恢复。SL-BiLEM 显示出：（1）相对于神经-机械基线实现76%的改进，在引发政策迁移的情境下仅有53%的 OOD 性能下降，而神经基线下降至1142%；（2）在27个合成反事实实验中实现100%的 bootstrap 置信区间覆盖；（3）处理效应准确率超过0.85。这些结果表明，SL-BiLEM 是面向公共卫生决策者寻求准确预测和原则化干预规划的可解释工具。