.png){kind=icon}
返回
Physics-informed deep learning for infectious disease forecasting
.png){kind=icon}
PRE
AI
DOI：10.1098/rsif.2025.0379.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传染病的精确预测对公共卫生政策制定日益重要，更准确的预测能够防止数百万人的生命损失。为更好地应对未来大流行病，改进预测方法和能力至关重要。本研究中，我们采用物理学信息神经网络（PINNs），这一科学机器学习领域的流行工具，用于传染病预测。所使用的PINNs模型将疾病传播的动态系统表示纳入损失函数，从而利用神经网络融合流行病学理论与数据。我们的方法旨在防止模型过拟合，而该问题常在仅使用观测数据训练深度学习模型时出现。此外，我们使用一个附加子网络来考虑影响传播率（ compartmental 模型中的关键参数）的流动性、累计疫苗剂量及其他协变量。为展示所提模型的能力，我们采用加利福尼亚州级COVID-19数据检验模型性能。模拟结果表明，PINNs模型在病例数、死亡数和住院人数的预测上与现有基准一致。特别是，PINNs模型优于简单基线预测及各类序列深度学习模型，如循环神经网络、长短期记忆网络、门控循环单元和Transformer模型。我们还证明，PINNs模型的性能与一种复杂的Gaussian感染状态预测模型相当，后者结合了 compartmental 模型、数据观测模型以及用于推断 compartmental 模型参数的回归模型。尽管如此，PINNs模型结构更简单且易于实现。总之，我们系统研究了PINNs模型在传染病动力学预测中的能力，结果表明该模型有望作为高效计算工具，提升当前的传染病预测能力。
Keyword:
infectious disease forecasting
physics-informed neural networks (PINNs)
epidemiological modelling
machine learning
期刊
IF:
3.5
论文数:
4.8K
被引数:
1.7W
机构
引用论文
Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations.png)
Science
OAAI
ScienceIF0
OAAI分享收藏Gradient-enhanced physics-informed neural networks for forward and inverse PDE用于正向和反向PDE的梯度增强物理通知神经网络OAAI
OAAI分享收藏Correcting model misspecification in physics-informed neural networks (PINNs)纠正物理通知神经网络 (PINNs) 中的模型错误规格OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏
查看更多内容