在NeurIPS 2020公共卫生机器学习研讨会上，某中心与加州大学圣地亚哥分校的研究人员因提出COVID-19传播预测新方法获得最佳论文奖。

传统COVID预测采用两种方法：一是基于微分方程的分区模型，计算人群在易感、暴露、感染等状态间的转移；二是分析大量训练数据的深度学习模型。分区模型更擅长预测感染和康复，深度学习则更精于死亡预测。

论文提出的混合方法AutoODE结合了常微分方程（ODE）和简单线性机器学习模型。实验显示，该方法相比分区模型平均绝对误差降低36.5%，相比深度学习模型降低57.4%。

模型核心创新：

• 采用SEIR模型变体，新增独立死亡类别
• 通过数据自动学习ODE参数（传播率、潜伏率等），而非依赖固定统计值
• 使用50×50邻接矩阵与相关性矩阵计算州内/跨州传播率
• 引入低秩近似提升计算效率
• 支持随时间变化的传播率识别，并基于时间距离加权训练数据

实验对比： 与6个深度学习模型和1个先进分区模型相比：

• 死亡预测：深度学习略优，但差距微小
• 感染和康复预测：AutoODE在所有三个7天预测周期均优于所有基线模型

该线性模型计算高效，可随新数据定期更新，为公共卫生决策提供实时支持。