SpatialEpiBench：预测中空间信息与流行病学先验的基准测试
人工智能
2026-05-08 v1
摘要
准确的流行病预测对公共卫生响应、资源分配和疫情干预至关重要，但在稀疏、噪声和高度非平稳数据下仍然困难。由于流行病在相互作用的区域间展开，时空方法是改进预测的天然候选。尽管对空间信息的兴趣日益增长，但目前尚无标准化基准，且当前评估通常使用简单的按时间顺序的训练-测试划分，无法反映实时预测实践。我们用SpatialEpiBench填补了这一空白，这是一个在现实公共卫生设定下用于时空流行病预测的具有挑战性的基准。SpatialEpiBench包含11个流行病数据集，具有标准化滚动评估和疫情特定指标。我们评估了邻域信息预测模型以及广泛使用的流行病学先验，这些先验将通用模型适配到流行病学中，但发现大多数方法在1天到1个月提前期的预测中表现不如简单的最后值基线，即使在疫情期间且使用这些先验也是如此。我们识别出三种主要失败模式：（1）疫情预期不佳，（2）处理稀疏性和噪声困难，（3）常见地理邻接对流行病学空间信息的效用有限。我们在https://github.com/Rachel-Lyu/SpatialEpiBench发布基准数据、代码和说明，以支持开发具有实际操作价值的流行病预测模型。
引用
@article{arxiv.2605.06530,
title = {SpatialEpiBench: Benchmarking Spatial Information and Epidemic Priors in Forecasting},
author = {Ruiqi Lyu and Alistair Turcan and Bryan Wilder},
journal= {arXiv preprint arXiv:2605.06530},
year = {2026}
}