利用轻量级多头深度可分离卷积网络提升 COVID-19 预测

为何更好的疫情预测依然重要

新冠疫情表明，在不同地点预测疫情何时上升或下降非常困难。政府和医院依赖这些预测来决定何时增加床位、订购疫苗或收紧公共卫生措施。然而，真实世界的数据往往混乱且受限，尤其在疫情初期更是如此。本文提出了一种新的计算模型，旨在即使在只有小规模、噪声较大的数据集的情况下，也能使短期 COVID-19 预测更准确且更高效。

重新解读流行病曲线的新视角

大多数早期 COVID-19 预测基于将人群划分为易感者和感染者等组别的经典数学公式，或基于将过去趋势延伸到未来的简单统计工具。近来，深度学习方法加入了工具箱，因为它们能捕捉到旧方法遗漏的复杂数据形状。在这些方法中，卷积网络与循环网络的组合表现尤其突出。然而，这类混合模型通常较重、运行缓慢，并且在数据点不多时容易过拟合——这在局部暴发或小国情形中很常见。

为稀薄数据打造的轻量模型

作者提出了一种名为 CDSCnet 的新模型，试图保留现代深度学习中有效的部分，同时剔除不必要的复杂性。与像循环网络那样反复按时间循环不同，CDSCnet 依赖沿时间轴滑动的一系列快速滤波器。它将每个输入序列分成三段重叠的部分，各自沿独立路径处理，随后再合并回去。在这些路径中，一种被称为深度可分离卷积的特殊滤波器将计算拆分为可重用的小单元，从而高效利用信息。额外的技巧，例如复制最后一个数据点而不是用零填充，和使用温和的平均步骤，帮助模型集中关注曲线中信息量最大的部分，同时避免模型规模膨胀。

检验新方法的效果

为验证这一设计是否有效，研究人员将 CDSCnet 与一系列竞争模型进行了比较，包括几种广泛使用的 CNN–LSTM 版本。他们使用来自跨大洲七个国家的官方 COVID-19 病例和死亡数据，既包含较平滑的时间序列，也包括噪声很大的序列。在十一项不同的预测任务中，CDSCnet 通常产生最小的误差，有时将典型错误减少一半，与最好的重现的 CNN–LSTM 结果相比，西班牙的案例尤为明显。即便在数据高度不规则（例如瑞士和克罗地亚的每日数据）时，该模型仍具竞争力；当作者先用简单的每周平均平滑这些参差不齐的记录时，其优势进一步扩大。

速度、简洁性与数据结果

除了准确性，团队还考察了各模型所需的可调参数数量以及计算成本。与若干流行基线模型相比，CDSCnet 所需参数远少，其中包括一个参数数量高出数十倍的深度 CNN–LSTM。尽管结构紧凑，CDSCnet 在准确性上仍能匹配或超越其他模型。更详细的分析显示，用深度可分离卷积替代标准滤波器是缩小模型规模的关键，而保持三路结构固定而不是在每层扩展则有助于控制内存使用和运行时间。

对未来暴发的意义

简单来说，这项研究表明可以构建既准确又节省数据与计算资源的 COVID-19 预测工具。CDSCnet 解读以往病例曲线，辨别短期与较长期的模式，并将其转化为更可靠的短期预测，同时保持相对小巧且透明的设计。作者提醒，加入疫苗、政策或出行模式等信息并探索更长期的预测将是重要的后续工作。尽管如此，他们的结果表明，像 CDSCnet 这样经细致调优的轻量模型在数据有限、噪声大且急需决策支持的情况下，能够提供切实可行的帮助。

引用: Lan, H., Ni, S. Enhancing COVID-19 forecasts with a lightweight multi-head depthwise separable convolution network. Sci Rep 16, 15825 (2026). https://doi.org/10.1038/s41598-026-46170-0

关键词: COVID-19 预测, 流行病建模, 深度学习, 时间序列预测, 轻量级神经网络