Hybrid‑Modelle verbessern epidemiologische Prognosen um bis zu 35 %
Eine neue Studie aus dem arXiv‑Repository zeigt, dass die Kombination von mechanistischen Kompartimentmodellen mit neuronalen Netzwerken das Potenzial hat, die Genauigkeit von Infektionsprognosen deutlich zu steigern. Durch die Einbindung der biologisch fundierten Struktur mechanistischer Modelle bleiben die Vorhersagen epidemiologisch plausibel, während neuronale Komponenten flexibel auf nichtstationäre, datenabhängige Effekte reagieren können.
In der Praxis stoßen viele scheinbar einfache Kopplungen jedoch an ihre Grenzen. Teilweise Beobachtbarkeit, sich ständig verändernde Übertragungsdynamiken, die durch Verhalten, Immunitätsverlust, Jahreszeiten und Interventionen beeinflusst werden, führen dazu, dass klassische Hybridansätze versagen. Die Autoren identifizieren diese Fehlermodi und zeigen, dass ein expliziter Umgang mit Nicht‑Stationarität entscheidend ist.
Ihr Ansatz besteht darin, die beobachteten Infektionsreihen in Trend, Saisonalität und Residuen zu zerlegen und diese Komponenten als interpretierbare Steuerungssignale für eine kontrollierte neuronale ODE zu nutzen. Diese ODE wird gleichzeitig mit einem epidemiologischen Modell gekoppelt, sodass latente Dynamiken in Echtzeit angepasst und gleichzeitig zeitlich variierende Übertragungs‑, Genesungs‑ und Immunitätsverlustraten geschätzt werden.
Die Ergebnisse sind beeindruckend: Im Vergleich zu starken Zeitreihen‑, neuronalen ODE‑ und Hybrid‑Baselines reduziert die Methode die RMSE über lange Zeiträume um 15 % bis 35 %. Zudem verbessert sie die Vorhersage der Spitzenzeit um 1 bis 3 Wochen und senkt die Bias‑Fehler bei der Spitzenhöhe um bis zu 30 %, ohne zusätzliche Kovariaten zu benötigen. Diese Fortschritte markieren einen wichtigen Schritt hin zu verlässlicheren epidemiologischen Prognosen in dynamischen Umgebungen.