混合模型提升COVID-19传播预测精度获最佳论文奖

在NeurIPS 2020公共卫生机器学习研讨会上，一项结合机器学习与微分方程的新方法荣获最佳论文奖。该研究针对COVID-19传播预测提出混合建模框架AutoODE，显著提升预测精度。

传统方法的局限性

既往研究主要采用两类方法：

• 分区模型：基于微分方程计算人群在易感、暴露、感染等状态间的转移，擅长预测感染和康复趋势
• 深度学习模型：通过分析海量数据识别预测因子，在死亡预测方面表现更优

AutoODE技术架构

该模型基于SEIR框架（易感-暴露-感染-移除），并新增死亡作为独立类别。核心创新包括：

动态参数学习

• 通过普通微分方程（ODE）描述状态转移，但参数改为从数据中自动学习
• 传输率、潜伏期等关键参数不再依赖固定统计值

跨州传播建模

• 构建50×50的州际邻接矩阵，学习州际传播相关性
• 采用低秩近似提升计算效率，支持实时更新

时间敏感训练

• 识别政策变化导致的数据拐点
• 基于时间距离加权训练数据，近期数据权重更高

实验结果

与6个深度学习模型和1个先进分区模型对比，AutoODE表现：

• 感染预测：平均绝对误差降低36.5%
• 康复预测：误差降低57.4%
• 死亡预测：略优于分区模型，与深度学习模型差距微小

技术优势

线性机器学习模型计算效率显著高于深度学习方案，支持频繁更新以适应实时数据变化。该技术为公共卫生决策提供了更精准、可解释的预测工具。

相关论文：《AutoODE：连接基于物理建模与数据驱动的COVID-19预测》