[论文解读] Dynamic Bayesian Influenza Forecasting in the United States with Hierarchical Discrepancy

Dave Osthus, James Gattiker+2 more|arXiv (Cornell University)|Aug 30, 2017

Influenza Virus Research Studies参考文献 18被引用 15

一句话总结

该论文提出了一种动态贝叶斯流感预测模型，通过引入分层差异建模，利用以往流感季节的系统性误差来提升预测准确性。该模型在2015–2016年美国疾病控制与预防中心（CDC）的预测挑战赛中表现最佳，整体得分最高，并在多个预测目标上排名第一，且未使用数字监控数据。

ABSTRACT

Timely and accurate forecasts of seasonal influenza would assist public health decision-makers in planning intervention strategies, efficiently allocating resources, and possibly saving lives. For these reasons, influenza forecasts are consequential. Producing timely and accurate influenza forecasts, however, have proven challenging due to noisy and limited data, an incomplete understanding of the disease transmission process, and the mismatch between the disease transmission process and the data-generating process. In this paper, we introduce a dynamic Bayesian (DB) flu forecasting model that exploits model discrepancy through a hierarchical model. The DB model allows forecasts of partially observed flu seasons to borrow discrepancy information from previously observed flu seasons. We compare the DB model to all models that competed in the CDC's 2015--2016 flu forecasting challenge. The DB model outperformed all models, indicating the DB model is a leading influenza forecasting model.

研究动机与目标

• 解决因模型-数据不匹配以及监测数据噪声大、样本有限而导致的流感预测不准确问题。
• 对机制性疾病传播模型与真实世界数据之间的系统性偏差进行建模，这些偏差无法仅通过观测噪声来解释。
• 开发一种预测框架，利用历史季节中模型与数据之间的差异，以提升对部分观测到的流感季节的预测能力。
• 证明对模型差异的改进统计建模可优于依赖数字监控数据的模型。
• 提供一种基于数据同化、稳健可靠的预测系统，通过及时且准确的预测，增强公共卫生规划能力。

提出的方法

• 构建一个动态贝叶斯（DB）模型，在概率框架内嵌入机制性SIR分 compartment 模型。
• 引入分层差异模型，以捕捉机制性模型与实际流感数据之间的系统性偏差。
• 使用四阶龙格-库塔法对SIR微分方程进行数值求解，以实现状态转移。
• 应用贝叶斯推断，联合估计传播率与恢复率、观测噪声及差异参数。
• 采用分层先验结构，将在先前观测到的流感季节中共享差异信息，以增强对当前预测的鲁棒性。
• 使用美国疾病控制与预防中心（CDC）提供的每周流感样疾病（wILI）数据对模型进行校准，未引入数字监控数据。

实验结果

研究问题

• RQ1 与现有方法相比，一种显式建模系统性模型差异的动态贝叶斯模型，是否能提升流感预测的准确性？
• RQ2 从以往流感季节借用差异信息，如何提升对当前进行中的流感季节的预测性能？
• RQ3 在不依赖数字监控数据（如谷歌搜索趋势）的情况下，模型能达到多高的预测准确性？
• RQ4 在预测性能中，差异建模与数据增强的相对贡献分别是什么？
• RQ5 差异建模的分层结构如何提升在不同流感季节中的鲁棒性与泛化能力？

主要发现

• 结合分层差异建模的动态贝叶斯模型在2015–2016年美国疾病控制与预防中心（CDC）流感预测挑战赛中获得最佳整体评分。
• 该模型是唯一在多个预测目标上排名第一的模型，包括峰值时间与峰值强度。
• 在所有预测目标中，该模型从未排名低于第四，表现出一致的高性能。
• 尽管未使用数字监控数据，其预测性能仍优于多个使用此类数据的竞争对手。
• 分层差异模型有效捕捉并利用了以往季节中的系统性模型误差，从而提升了预测的可靠性。
• 结果表明，通过改进统计模型结构（尤其是差异建模）所能带来的预测增益，可能超过通过数字信号进行数据增强所带来的收益。