观察人类的行为是建立更好的长期共同预测的关键
从极端天气到另一波浪潮19，预测为决策者提供了宝贵的准备时间。但是，在Covid方面，长期预测是一个挑战，因为它涉及人类的行为。
虽然有时似乎对人类没有逻辑行为，新的研究正在努力通过将这种行为纳入预测模型。
UConn农业，健康和自然资源学院盟友健康研究员RAN XU，以及马萨诸塞州理工学院的合作者Hazhir Rahmandad，以及弗吉尼亚理工大学的Navid Ghaffarzadegan今天发表了一篇论文plos计算生物学在其中详细说明他们如何应用相对简单但细微的变量来增强建模功能，结果他们的方法优于当前用于为联邦疾病控制与预防中心（CDC）做出决定的大多数模型。
徐解释说，他和他的合作者是方法论家，他们有兴趣检查哪些参数影响了COVID预测模型的预测准确性。首先，他们转向CDC预测中心，该预测中心是来自美国各地的模型存储库。
徐说：“目前，有70多种不同的模型，主要来自大学和一些公司，每周都会更新。”“每周，这些模型都会在接下来的几周内对案件和死亡人数进行预测。疾病预防控制中心使用此信息来告知他们的决策；例如，在策略上关注他们的努力或是否建议人们进行社会疏远。“
人为因素
该数据是一年中57个美国地区的每周死亡事件的490,000点预测。研究人员分析了预测的长度以及预测在14周内的相对准确性。在进一步的分析中，徐说，当他们根据其方法对模型进行分类时，他们注意到了一些有趣的事情：“对于纯粹的数据驱动模型，例如机器学习和曲线拟合模型，我们发现他们在短期内做得更好。，而理论驱动的模型从长远来看可以更好地预测。”
起初，这似乎很奇怪，但是徐解释说，差异取决于人类的行为。
徐说：“本质上，这很奇怪，也不是很奇怪。”“如果您没有理论，并且模型只是使用大量数据，并且机器学习，当然，他们将在较短的学期中做得很好。但是，在长期到长期中真正重要的是要有一个理论来解释人们为什么要做的事情。”
将行为组件纳入模型徐说，相对简单。
“当我们查看所有60-70型型号时，我们觉得有一个关键的行为机制。这种机制是当人们看到更多的死亡或认为Covid感染是危险的时候，他们自愿降低了他们的流动性或进行社会疏远。
对未来的见解
研究人员认为，这种反馈循环虽然在很大程度上被其他模型忽略了，但为长期和长期预测提供了最大的好处。
拉哈曼达德（Rahmandad）说，这项研究表明，长期预测建模的关键不一定是创建更复杂的模型，而是从战略上纳入正确的元素。
Rahmandad说：“创建一个长期成功的预测模型，我们可以使用一个简单的机械模型开始小规模。”“然后我们可以结合关键的机械特征 - 尤其是内源性的人类行为与不断发展的大流行相互作用。”
XU说，在检查CDC中心上的模型时，有些确实具有行为成分，但很少有人考虑它们如何随着时间的变化或变化作为疾病进展的函数。
徐说：“我认为将行为纳入传染病建模和发展相关的行为理论仍然是一个需要更多研究的领域，我们目前没有全面的理论来解释人们在大流行/传染病爆发中的行为。”“这需要在多个学科之间进行合作，例如社会科学家，流行病学家和方法学家。”
在整合了反馈循环后，研究人员发现该模型在预测Covid的轨迹方面表现出色，Xu强调，这表明将行为动力学纳入传染病建模是多么重要。
“开发该模型的目的不是提供实时预测，而是可以为未来的预测模型提供见解。这个简单的模型做得更好，尤其是从长远来看。”
进一步探索
