基于时空神经网络促进公共卫生突发事件扩散预测

为何预测爆发很重要

当一种新疾病传播时，官员必须迅速决定把口罩、药品和医护人员派往何处。然而，病毒的传播方式复杂多变，受出行、地方政策和时间等因素影响。本文提出了一种新的计算模型，能够更好地预测疫情在多个地点同时展开的方式，帮助政府在公共卫生突发事件中更快、更精确地应对。

将疫情视为移动的网络

作者从一个简单的想法出发：疫情不仅仅是一串每日病例计数，而是一个由相互连接的地区组成的动态网络。人们在城市和国家之间流动，携带感染。传统的预测工具常常把每个地点单独处理，或仅将地图上相邻区域连接起来。这会遗漏隐藏的联系，例如远距离城市间的强出行纽带，而且难以应对 COVID-19 波动的起伏。为捕捉这一更丰富的图景，研究者设计了一个将空间和时间共同考虑的模型，而不是将它们视为独立问题。

发现区域间的隐含连接

该模型的一项关键创新是它发现哪些地区相互影响的方式。研究者没有假定仅近邻区域发生相互作用，而是让数据发声。他们使用一种称为“互信息”的度量来观察任意两个地区的病例趋势随时间共同变化的强度，无论这种关系是简单还是复杂。如果两个地区的病例曲线倾向于同步上升和下降，模型便把它们连接得更紧密，哪怕它们相距很远。这些由数据驱动形成的连接构成了一个网络，输入到基于图的层，旨在学习沿着这些相连节点传播的模式。

结合空间感知与时间感知的学习

完整系统称为 MI–GCN–LSTM，融合了三种要素。首先，互信息步骤构建了区域间关系的网络。其次，图卷积层扫描该网络，以提取在每一时间点上感染如何在相连地点间传播。第三，基于记忆的时间序列组件追踪这些空间模式如何日复一日演变，学习长期趋势和重复出现的波动。在训练之前，研究者清理缺失数据，通过在时间线上滑动窗口来形成输入序列，然后教模型预测未来感染，调整其内部参数以减少预测误差。

在真实 COVID-19 数据上测试模型

为检验方法效果，团队在两个真实世界的 COVID-19 数据集上进行了测试。一个数据集涵盖了数个欧洲国家两年以上的每日新增感染；另一个追踪了 2020 年中国湖北省的城市级病例。他们将该方法与一系列替代方法进行比较，从经典统计工具到只关注时间或仅部分关注空间的现代深度学习模型。在两个数据集上，他们的模型都产生了比所有竞争方法更小的误差并更好地拟合观测数据，尤其是优于使用简单地理邻居而非基于数据链接的类似模型。

这些结果对公共卫生的意义

研究结果表明，学习现实的区域间连接并同时建模空间与时间，能够明显提升流行病预测的精度。在欧洲，新方法将关键误差指标较次优方法降低了约 10%；在湖北，提升更大，某些误差减少超过四分之一。尽管该模型在遇到训练数据中未出现的新变体等突发冲击时仍存在困难，但它为估计未来病例负担、规划医院容量和部署物资提供了更坚实的基础。简单来说，这项工作表明更智能、具网络感知的预测工具可以帮助社会在下一次公共卫生突发事件到来时更快、更公平地作出反应。

引用: Cai, Z., Wang, H. & Tan, F. Facilitating the spread prediction of public health emergencies based on spatio-temporal neural network. Sci Rep 16, 13162 (2026). https://doi.org/10.1038/s41598-026-43524-6

关键词: 流行病预测, 公共卫生突发事件, COVID-19, 神经网络, 时空建模