SpecFlu-Net:一种频率感知的神经架构,具有时间依赖优化,用于长期预测季节性流感传播
Tianyi Feng1, Yu Huang1, Chunyan Luo2
1Department of Rehabilitation, West China Hospital Sichuan University Jintang Hospital, Jintang First People's Hospital, Chengdu 610400, China.
Infectious medicine
|February 24, 2026
概括
SpecFlu-Net提供了可靠的长期流感预测,通过使用新型神经网络解决数据挑战. 这种方法通过准确的流行病预测来改善公共卫生干预措施.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 季节性流感给全球健康和经济带来了重大挑战.
- 现有的预测方法难以处理流感数据的复杂特征,如相位偏移和不对称的峰值.
- 需要一个统一的解决方案来克服在流感监测数据中的这些孤立挑战.
研究的目的:
- 开发一个统一的,轻量级的,频率感知的神经架构,用于准确的长期流感传播预测.
- 解决流感监测数据的特异性,包括准周期性,不对称的峰值,对线性驱动因素和时间不一致性.
- 为积极的公共卫生干预提供可靠的预测.
主要方法:
- 建议SpecFlu-Net,一个神经网络集成频域编码器使用可学习的离散里埃转换 (DFT).
- 实施一个非自行回归 (NAR) 解码框架,增强时间依赖调整 (TDT) 损失.
- 使用复杂值的多层感知子 (MLP) 进行全球卷积和TDT损失,以获得稳定的训练和对准确性和流行形状的适应性关注.
主要成果:
- 在三个真实世界流感数据集上,SpecFlu-Net的表现始终优于最先进的基线.
- 评估表明,在预测时间从3周到24周的时间范围内,它是有效的.
- 该模型在处理复杂的流感数据模式方面显示出强大的性能.
结论:
- SpecFlu-Net为流感数据挑战提供了统一的解决方案,使流行病学上连贯的长期预测成为可能.
- 该模型通过提高预测准确性来支持主动的公共卫生战略.
- SpecFlu-Net可适应预测其他季节性传染病.
