Новая ИИ-модель GeoID-PINN точнее оценивает региональную динамику эпидемий
Международная группа исследователей разработала GeoID-PINN — физико-информированную нейросеть для моделирования региональной эпидемической динамики. Работа опубликована в архиве препринтов arXiv. Метод учитывает восприимчивых, заражённых, выздоровевших и умерших, а также пространственные связи между территориями.
Ключевая особенность модели — матрица пространственной зависимости, которая распределяет источники инфекции между регионами. Для её настройки используются данные о расстоянии, соседстве, перемещениях или временных опережениях. Это позволяет отделить локальную передачу вируса от завозных случаев и внешнего инфекционного давления.
В симуляции с четырьмя регионами, где истина была известна, совместимый с расстоянием априорный вектор дал ошибку матрицы 0,099. Без регуляризации ошибка выросла до 0,159, а при сильно неверно заданном априорном векторе — до 0,577. При этом точность прогноза траекторий и оценка масштаба передачи оставались похожими во всех вариантах. Это подтверждает: аккуратные кривые заболеваемости не гарантируют корректное восстановление региональной структуры.
На реальных данных по COVID-19 в 64 округах Луизианы модель GeoID-PINN значительно улучшила точечные прогнозы. Среднеквадратичная ошибка снизилась с 32 957 до 11 468, средняя абсолютная ошибка — с 70,60 до 57,73 по сравнению с автогрессионной отрицательной биномиальной моделью. Однако базовый метод лучше предсказывал распределение: отрицательное логарифмическое правдоподобие составило 5,158 против 5,346.
В отдельном сравнении с 15 округами учёт соседства территорий снизил среднеквадратичную ошибку на 6,85%, а среднюю абсолютную — на 3,1%. Авторы отмечают, что похожие результаты при разных априорных предположениях указывают на пользу структурированной регуляризации, но не на однозначное восстановление связей между регионами.
Разработка может повысить точность краткосрочных прогнозов для систем здравоохранения, особенно при ограниченных данных о мобильности. Однако авторы подчёркивают необходимость проверки чувствительности к априорным допущениям и модели наблюдений перед практическим применением.
