疫情追踪技术解析与数据科学应用

疫情追踪的数据科学基础

卡内基梅隆大学统计学与机器学习副教授、某机构学者Ryan Tibshirani是Delphi研究组的联合首席研究员。该团队于2020年3月启动了COVIDcast项目——美国最大的新冠肺炎活动实时指标数据库，包含多维度地理细粒度数据。

技术架构与数据管道

疫情爆发前团队专注于季节性流感预测。疫情后转向新冠肺炎研究，核心工作是构建和维护COVIDcast的完整数据管道：

• 整合多元实时数据源（部分数据源依赖团队开发才得以公开）
• 开发即时预测(nowcasting)和 Forecasting 模型
• 数据被公共卫生官员、政府机构及金融机构常态化使用

机器学习与公共卫生协作

团队与某公共卫生中心合作开发集合模型(ensemble model)，整合COVID预测中心提交的多源数据。技术实践表明：

• 疫情数据分辨率远超传统流感数据
• 数据治理存在重大挑战与机遇并存
• 计算科学家在疫情防控中扮演关键角色

流行病预测的未来发展

全球对疫情追踪的关注度空前提升，未来重点包括：

• 建立永久性流行病应对基础设施
• 将流行病预测打造为与天气预报同等重要的公共服务
• 扩展技术应用范围至其他快速传播的流行病领域

（可于某中心机器学习峰会观看完整技术演讲）