一种机制分离的两阶段预测框架，结合多源信号融合技术用于呼吸系统住院病例的预测 李正泽（Zhengze Li）、 孟凡宇（Fanyu Meng）、 刘浩翔（Haoxiang Liu）和 边静（Jing Bian）

《Electronics》：A Mechanism-Disentangled Two-Stage Forecasting Framework with Multi-Source Signal Fusion for Respiratory Hospitalizations Zhengze Li, Fanyu Meng, Haoxiang Liu and Jing Bian

住院率预测框架 基于深度学习的两阶段框架通过预疫情GRU模型捕捉季节性基线，结合余量分解与多源搜索趋势的自注意力机制，实现COVID-19时期住院率预测（MAPE=19.22%，R2=0.907），支持滚动预测和置信区间量化。

　　

摘要

准确预测每10万人口的呼吸道病毒相关住院率对于医疗资源规划至关重要，但在COVID-19疫情期间，由于多种病原体引起的类似流感的疾病在分布和症状上的重叠，这一任务仍然具有挑战性。我们提出了一个两阶段的深度学习框架，该框架能够区分疫情前的季节性变化和COVID-19导致的额外住院情况。首先使用疫情前的监测数据训练一个轻量级的GRU（门控循环单元）来模拟流感/RSV（呼吸道合胞病毒）引起的季节性变化，然后通过一个额外住院模型从残差序列中学习，并利用标准的多头自注意力机制整合多种在线搜索趋势（流感、COVID-19和发热）。虽然我们以COVID-19时期的数据作为案例研究，但所提出的基线-额外住院分解方法并不针对特定疾病，旨在推广到未来可能引发突然变化的大规模呼吸道疫情或大流行。在美国疾病控制与预防中心（CDC）监测网络（AME）收集的每周呼吸道住院率数据上的实验表明，该方法在COVID-19时期的数据集（2020–2025年）上表现出较高的准确性，平均绝对百分比误差（MAPE）为19.22%。除了点预测外，我们还评估了一种扩展窗口滚动起点协议，并通过分割共形预测方法报告了校准后的预测区间，从而支持以部署为导向的不确定性量化。通过分离基线和额外住院部分，并以规范的方式融合行为趋势信号，该框架在制度变化的情况下提高了预测性能，同时提供了可解释的额外住院估计值，有助于及时了解疫情状况和进行医疗资源规划。