深度学习与流行病预测的挑战
当COVID-19大流行爆发时，某中心的预测系统面临全新挑战。传统基于深度学习的零售需求预测模型依赖海量数据，但疫情初期数据严重匮乏。直接应用现有模型时发现：“这些深度学习模型的实际表现未达预期”。
混合建模方法的突破
研究团队创新性地结合了两种技术路径：
- 物理模型：采用常微分方程（ODEs）计算疾病传播的多个阶段（易感、暴露、感染等）
- 数据驱动模型：基于深度学习的预测方法
通过将ODE与机器学习融合，开发出混合预测模型。该模型在COVID-19传播预测中实现显著提升：相比纯深度学习模型，周预测的平均绝对误差降低57.4%。
技术实现细节
研究团队在2020年神经信息处理系统大会的公共卫生机器学习研讨会上发表了获奖论文《AutoODE：基于物理与数据驱动的COVID-19预测融合模型》。该研究的关键技术要素包括：
- 跨学科协作：联合某中心科学家与高校研究人员
- 导师机制：通过暑期实习项目培养研究生参与核心算法研究
- 算法优化：针对GPU处理的线性代数算法优化（源自作者在图形处理器公司的研发经验）
数学基础与工业应用的融合
作者强调数学建模的核心价值：“我特别欣赏这个角色对核心数学建模的重视，这正好与我的专业背景相符”。其应用数学背景体现在：
- 计算与数学工程博士学位
- 数值线性代数与MATLAB高级课程教学经验
- 国家实验室极端规模数据分析经验
预测系统的实际应用
该技术框架已扩展至多个预测场景：
- 零售需求预测
- 流行病学建模
- 时间序列分析
研究团队注重解决方案的简洁性与效率：“我们追求的并非最复杂的解决方案，而是简单高效的解决方案”。通过将复杂问题分解为核心子问题，建立协作式、跨学科的研究环境，持续推动预测技术的发展。