论文精选 | 流感也能预测——升级版状态滤波算法

导读：SIR模型是传染病模型中最经典的模型，最基本的模型，为传染病动力学的研究做出了奠基性的贡献。其中S表示易感者，I表示感染者，R表示移出者。

预测SIR流行病的升级版状态滤波算法（An Improved State Filter Algorithm for SIR Epidemic Forecasting）

摘要：在流行病建模中，状态滤波在提高传统传染病模型的性能方面是一种很好的工具。我们引入了一种新的状态过滤算法，以进一步提高基于易感者-感染者-移出者SIR）模型最好方法的性能。该算法融合了两种技术，它们被通常单独使用：线性校正，如在集合卡尔曼滤波（中EnKF）看到一样，和重采样，如用于粒子滤波（PF）中一样。通过利用了非中心的协方差矩阵（UCM）和标准柱中心的协方差矩阵（CCM）这两种矩阵的算法，我们将我们方法的推理精度与EnKF和集合调整卡尔曼滤波（EAKF）进行了比较。相比于EnKF我们的算法需要O（DN）更多的时间，其中D是集合维度和N表示集合大小。我们的经验表明，在选定的方法中，我们的UCM算法在14个主要现实世界的11个场景中实现了最小的均方根误差（RMSE）和最高的相关系数（CORR）。我们表明，尽管在大多数情况下有着CCM的EAKF可以获得更好的精度，但有着UCM的 EnKF优于有着CCM的EnKF。

第一作者简介

Weipeng Huang

邮箱： weipeng.huang@insight-centre.org

任职:科克大学计算机科学系博士

研究方向：数据挖掘，算法，人工智能

文章总结及应用场景

本文提出了一种改进的基于SIR滤波算法，BASS，用于预测季节性流感水平。14个主要现实世界的11个场景中，它经验性的实现了最优的RMSE和CORR。实验结果表明，在我们的构思中，BASS和EnKF的表现优于UCM，而且EAKF利用CCM是理想状态。

我们的未来的工作包括结合社会数据，以进一步改善模型和过滤器的方法。我们对于结合SIRS模型与过滤器预测持续性季节性流感方面也有很大兴趣。此外，我们还想评估我们的滤波算法是否适用于其他的一般问题。

via：ECAI  2016

PS : 本文由雷锋网独家编译，未经许可拒绝转载！

原论文下载