用于预测鸟类疾病风险的时空 Transformer 模型
机器学习
2025-10-20 v1
摘要
精准预测鸟类疾病爆发对于野生动物保护和公共卫生至关重要。本研究提出了基于 Transformer 的框架，用于预测迁徙鸟轨迹终点位置的疾病风险。我们整合了来自 Movebank 的 GPS 跟踪数据、来自 World Organisation for Animal Health (WOAH) 的疾病暴发记录，以及来自 GADM 和 Natural Earth 的地理情境信息。原始坐标经 H3 层次地理编码处理以捕捉空间模式。该模型从鸟类运动序列中学习时空依赖性，以估计终端疾病风险。在 held-out 测试集上进行评估显示，模型表现突出，准确率为 0.9821，受试者工作曲线下面积 (AUC) 为 0.9803，平均精度 (AP) 为 0.9299，在最优阈值处 F1 分数为 0.8836。这些结果凸显了 Transformer 架构在支持鸟类疾病监测早期预警系统中的潜力，使及时干预和预防策略成为可能。
引用
@article{arxiv.2510.15254,
title = {Spatiotemporal Transformers for Predicting Avian Disease Risk from Migration Trajectories},
author = {Dingya Feng and Dingyuan Xue},
journal= {arXiv preprint arXiv:2510.15254},
year = {2025}
}