[2026年7月29日提交]

查看PDF HTML（实验性）

摘要：准确的多周登革热预测有助于及时的病媒控制干预、疫情准备和医疗资源分配。然而，新建立的监测系统往往缺乏训练可靠神经预测模型所需的历史数据。尽管预训练的时间序列模型提供了有前景的零样本预测，但其跨领域训练可能无法捕捉局部流行病学动态。我们提出了TREA-Net，一种用于数据有限情况下登革热预测的可迁移残差流行病学适应网络。TREA-Net通过来自环境时间序列易感-感染-恢复模型的投影来增强神经预测骨干网络，并学习一种轻量级的门控残差校正，该校正可从数据丰富区域迁移至数据稀缺区域。其节点不变设计可适应具有不同位置数量的监测系统，而目标适应仅需学习两个全局参数。我们将来自哥伦比亚和尼加拉瓜长期运行的登革热监测的知识迁移至墨西哥和马来西亚的8周提前预测，仅使用78或104周的目标数据。在五种神经骨干网络和十种迁移设置中，TREA-Net在10种设置中的9种改进了相应的骨干网络，并取得了统计显著的提升。当与用于预测的基础模型TiRex集成时，它在所有目标数据集中实现了最低的平均绝对误差。保形预测进一步保持了经验覆盖率，同时将墨西哥的8周预测区间宽度减少了29.6%。这些结果展示了TREA-Net作为轻量级且便携的早期预警框架对监测数据有限的卫生机构的潜力。

提交历史

来自：Tanujit Chakraborty [查看邮件]
[v1] 2026年7月29日，周三 12:37:19 UTC (4,864 KB)