应用数学如何影响预测建模
资深应用科学家Danielle Maddix Robinson凭借其数学背景，在时间序列预测领域开发了能够预测从零售需求到流行病传播的鲁棒模型。
疫情预测的新挑战
当COVID-19疫情爆发时，Maddix Robinson面临与以往零售需求预测截然不同的挑战。核心问题在于：基于现有病例数据，如何预测未来的感染、康复和死亡人数？
传统的深度学习模型依赖于大量数据，而疫情初期可用数据严重不足。“我们发现这些现成的深度学习模型表现不如预期，“Maddix Robinson表示。
混合模型的突破性进展
通常用于流行病预测的基于物理的模型（使用常微分方程计算疾病传播的不同阶段）也存在局限。团队创新性地将常微分方程与机器学习相结合，开发出混合模型：
- 传统分区模型更擅长预测感染和康复情况
- 深度学习模型在死亡预测方面更准确
- 混合模型实现了57.4%的平均绝对误差降低
学术认可与实践价值
相关论文《AutoODE：基于物理与数据驱动的COVID-19预测建模桥梁》在2020年NeurIPS医疗机器学习研讨会上获得最佳论文奖。该研究由某中心与加州大学圣地亚哥分校合作完成。
数学背景的关键作用
Maddix Robinson强调：“这个职位最吸引我的是对核心数学建模的重视，这正好与我的背景相符。“她在斯坦福大学获得计算数学工程博士学位，本科阶段在加州大学伯克利分校专攻应用数学。
行业实践与学术传承
在加入某中心之前，她曾在多家研究机构和科技公司积累经验，包括：
- 劳伦斯伯克利国家实验室计算研究员
- 桑迪亚国家实验室极端规模数据分析实习生
- NVIDIA软件工程师实习生，参与GPU线性代数算法开发
解决复杂问题的哲学
面对模糊的研究问题，Maddix Robinson建议：“将其分解为核心子问题逐步解决。“她特别重视通过指导实习生来深化自己对概念的理解：“最终目标不是最复杂的解决方案，而是简单高效的解决方案。”
团队营造了类似学术界的协作环境，成员来自不同学科背景，相互支持共同成长。这种跨学科合作模式为解决复杂预测问题提供了重要支撑。