Retiree mortality forecasting: A partial age-range or a full age-range model?
年金定价的一个重要输入是未来退休人员的死亡率。根据观察到的年龄别死亡率数据，可以通过两种途径进行建模和预测。一方面，我们可以首先将可用数据截断为退休人员年龄，然后基于部分年龄范围模型生成死亡率预测。另一方面，在所有可用数据的情况下，我们可以首先应用全年龄范围模型进行预测，然后将死亡率预测截断为退休人员年龄。我们使用人类死亡率数据库（2020年）中主要发达国家的数据，研究了部分年龄范围模型和全年龄范围模型之间中心死亡率对数转换建模的差异。通过评估和比较短期点和区间预测准确度，我们推荐第一种策略，即将所有可用数据截断为退休人员年龄，然后生成死亡率预测。然而，在考虑长期预测时，不清楚哪种策略更好，因为更难找到最佳模型和参数。这是使用基于时间序列外推法进行长期预测的一个缺点。相反，可以考虑采用一种期望方法，由专家确定未来的目标，并指出这种方法在过去也取得了有限的成功。
2020-06-25 stat.AP
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia（福贾大学）；Sapienza University of Rome（罗马智慧大学）；University of Campania ”Luigi Vanvitelli”（坎帕尼亚路易吉·凡维特利大学）；Macquarie University（麦考瑞大学）
本研究将成分数据分析整合到分层时间序列预测中，提出新框架用于意大利死因别死亡率预测，确保聚合一致性并显著提升预测可靠性，尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 stat.AP stat.ME
Clustering and Forecasting Multiple Functional Time Series
对多个国家的同质年龄别死亡率进行建模和预测，可以改善长期预测。输入联合模型的数据通常根据名义属性进行分组，例如地理区域，种族群体和社会经济地位，这可能仍然包含异质性并使预测结果恶化。本文提出了一种新的聚类技术，追求多个功能时间序列之间的同质性的基础上功能面板数据模型来解决这个问题。利用固定效应的功能面板数据模型，我们可以提取共同的功能时间序列特征。这些共同特征可以分解为两个组成部分：功能的时间趋势和功能的变化模式（功能模式）。功能时间趋势反映了一段时间内的动态变化，而功能模式则反映了曲线内的波动。所提出的聚类方法通过考虑曲线之间的变化模式和时间动态来搜索多个国家的同质年龄别死亡率。我们证明了所提出的聚类技术优于其他现有的方法，通过蒙特卡罗模拟，可以处理复杂的情况下，缓慢衰减的特征值。在实证数据分析中，我们发现年龄别死亡率的聚类结果可以通过地理区域、种族群体和社会经济地位的组合来解释。我们进一步表明，我们的模型产生更准确的预测比几个基准方法在预测特定年龄的死亡率。
2022-01-04 stat.AP stat.ME
Random cohort effects and age groups dependency structure for mortality modelling and forecasting: Mixed-effects time-series model approach
本文提出一种考虑年龄组依赖性和随机队列效应的混合效应时间序列模型，用于死亡率建模与预测，无需预设约束即可量化参数不确定性，且在多国数据上的预测精度显著优于CBD模型。
2021-12-31 stat.AP stat.CO stat.ML
Nonstationary functional time series forecasting
本文提出一种基于一阶差分和动态函数主成分分析的非平稳函数型时间序列预测方法，并引入几何衰减加权机制，在瑞典年龄别死亡率数据上取得更准确的预测效果。
2024-11-19 stat.ME
Dynamic principal component regression for forecasting functional time series in a group structure
在制定国家和国家以下各级的社会政策和年金定价时，必须准确预测死亡率，并确保国家以下各级的预测与国家一级的预测相一致。这激发了最近的事态发展预测功能时间序列在一组结构，静态主成分分析使用。在存在中度到强烈的时间依赖性，静态主成分分析设计的独立和同分布的功能数据可能是不够的。因此，通过使用动态函数主成分分析，我们考虑了一个功能的时间序列预测方法与静态和动态主成分回归预测组结构中的每个序列。通过使用从日本死亡率数据库（2019年）获得的日本地区年龄别死亡率，我们调查了我们提议的扩展的点和区间预测精度，并随后提出建议。
2019-09-01 stat.AP stat.ME
Grouped multivariate and functional time series forecasting: An application to annuity pricing
特定人群的死亡率往往按不同属性分列，如性别、州、族裔群体和社会经济地位。在国家和国家以下各级制定社会政策和年金定价时，不仅要准确预测死亡率，而且要确保国家以下各级的预测与国家一级的预测相一致。这激发了分组功能时间序列方法（Shang和Hyndman，2017）的最新发展，以协调特定年龄的死亡率预测。我们将这些分组功能时间序列预测方法扩展到多变量时间序列，并将其应用于老年人死亡率的点预测，从中可以为不同年龄和到期日的固定期限年金定价。使用日本死亡率数据库中的日本各地区年龄别死亡率，我们研究了独立预测方法和分组预测方法之间的一步到15步预测精度。分组的预测方法不仅是有用的，在国家和国家以下各级的年龄别死亡率的预测进行协调，但它们也被证明可以提高预测的准确性。提高死亡率的预测准确性对于保险和养老金行业估计年金价格非常重要，特别是在人口亚组的水平上，由性别，地区和社会经济分组等关键因素定义。
2017-05-22 stat.AP
Functional Linear Cox Regression Model with Frailty
针对含函数型协变量的生存数据未观测异质性问题，提出带脆弱性的函数线性Cox回归模型，结合函数主成分分析与惩罚偏似然估计，经模拟和真实数据验证性能更优，已开发为R包。
2025-01-13 stat.ME
Forecasting mortality using Google trend
本文研究了以世界第一大经济体美国为代表的发达国家的动力模型。对死亡原因的早期监测至关重要，这可以为预防登革热等重大疾病做好准备。研究报告称，一些搜索查询，特别是谷歌趋势上与疾病相关的术语是必不可少的。为此，我们使用Wiener Cascade Model对主要死因或Google Trends中的扩展或更通用的术语进行解码。利用检索词的时间序列和小波尺度图，将检索查询模式分为不同的周期性层次。结果包括解码趋势、特征重要性和解码模式的准确性。关于预测因子的三个场景包括使用所有19个特征、前十个最周期性的预测因子或具有最高权重的十个预测因子。所有检索查询均涵盖2013年12月至2018年12月。结果表明，权重较高的搜索词和具有年周期模式的搜索词对死亡词的预测贡献较大，但只有权重较高的预测词才对死亡词的预测有价值。
2019-02-01 cs.SI stat.AP
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
混合方法已被证明在预测任务和量化与这些预测（预测区间）相关的不确定性方面优于纯统计和纯深度学习方法。一个例子是指数平滑递归神经网络（ES-RNN），它是统计预测模型和递归神经网络变体之间的混合。ES-RNN在Makridakis-4预测竞赛中的绝对误差提高了9.4%。这种改进和其他混合模型的类似表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括（$i$）不简约的模型的超参数调整所涉及的高计算成本，（$ii$）与数据中固有的自相关相关联的挑战，以及（$iii$）可能难以捕获的协变量之间的复杂依赖性（互相关）。本文提出了多元指数平滑长短期记忆（MES-LSTM），这是ES-RNN的一种广义多元扩展，它克服了这些挑战。MES-LSTM使用矢量化实现。我们在2019年冠状病毒病（COVID-19）发病率数据集上测试了MES-LSTM，发现我们的混合方法在预测准确性和预测区间构建方面比纯统计和深度学习方法表现出一致的显着改进。
2021-12-16 cs.LG stat.ML
Reconciling forecasts of infant mortality rates at national and sub-national levels: Grouped time-series methods
死亡率往往按性别、州、教育、宗教或族裔等不同属性分列。预测国家和国家以下各级的死亡率在制定与国家和国家以下各级有关的社会政策方面发挥着重要作用。然而，国家以下各级的基本预测可能与国家一级的预测不一致。为了解决这个问题，我们从分组时间序列预测方法的角度考虑了协调死亡率预测的问题（Hyndman等人，2011年）。一个自下而上的方法和最佳组合方法被应用到生产点预测的婴儿死亡率，适当地聚集在不同层次的层次结构。我们扩展这两种方法，考虑通过自助程序的区间预测的和解。以澳大利亚地区婴儿死亡率为例，研究了独立预测方法和两种分组时间序列预测方法的一步到20步预测精度和区间预测精度。所提出的方法被证明是有用的调和点和区间预测的人口率在国家和国家以下各级，并将有利于政府的政策决定，在国家和国家以下各级的当前和未来的资源分配。
2016-08-31 stat.AP
Interpretable models for forecasting high-dimensional functional time series
University of York（约克大学）；Macquarie University（麦考瑞大学）
本文提出通过功能方差分析分解高维功能时间序列，结合确定性结构和残差过程进行预测，提升透明度和准确性。
2026-07-14 stat.ME
A scalable approach for short-term disease forecasting in high spatial resolution areal data
本文针对高维区域数据提出一种基于“分而治之”的短期疾病预测方法，并在西班牙7907个市镇的癌症死亡率数据上验证其优于传统时空模型。
2023-03-29 stat.CO stat.ME
Forecasting Mortality in the Middle-Aged and Older Population of England: A 1D-CNN Approach
本研究针对纵向表格数据场景，利用ELSA调查数据，采用1D-CNN结合多维度特征预测英格兰中老年人群死亡率，通过样本采样优化和激活函数对比，验证了swish函数的性能优势。
2024-11-01 cs.LG stat.AP stat.ML
A Bayesian shared-frailty spatial scan statistic model for time-to-event data
空间扫描统计是用于检测事件的空间集群的公知且广泛使用的方法。在时间-事件数据的空间分析领域，已经提出了几种扫描统计模型。然而，这些模型没有考虑到潜在的单位内的空间相关性的个人，也没有潜在的空间单位之间的相关性。为了克服这个问题，我们在这里提出了一个扫描统计的基础上Cox模型与共享的脆弱性，考虑到空间单元之间的空间相关性。在模拟研究中，我们已经表明，（i）经典模型的时间-事件数据的空间扫描统计无法保持第一类错误的存在下，空间内的单元相关性，和（ii）我们的模型表现良好，在空间内的单元相关性和空间间的单元相关性的存在。我们的方法已被应用于流行病学数据和空间集群的死亡率在法国北部的终末期肾病患者的检测。
2022-09-01 stat.ME
Evaluation of Time Series Forecasting Models for Predicting Lung Cancer Mortality Rates in the United States: A Comparison with Altuhaifa (2023) Study
本文基于扩展至2021年的SEER数据重新评估SES、HDES和ARIMA模型预测美国肺癌死亡率的表现，发现ARIMA(0,2,2)、HDES及二者平均模型均取得最低RMSE 2.56，并预测死亡率将持续下降。
2025-08-22 stat.AP
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
本文提出多变量时空共享组件模型，用于在区域和国家层面预测癌症发病率，以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
Forecasting mortality rates with functional signatures
本研究提出HUts模型，将特征签名回归整合至Hyndman-Ullah框架中以捕捉死亡率数据的非线性依赖，显著提升了多国多跨度预测的准确性与鲁棒性。
2024-12-19 stat.ME
Forecasting high-dimensional functional time series with dual-factor structures
本文提出面向多总体HDFTS的双因子模型，通过总体特异基函数、公共函数载荷和矩阵值时间序列实现降维与预测，并在模拟及日本死亡率数据中验证其精度与年金定价价值。
2024-05-10 stat.AP stat.CO stat.ME
A Bayesian Spatial Modeling Approach to Mortality Forecasting
本文在考虑随机结构和空间自相关效应的基础上，对多总体贝叶斯死亡率预测模型进行了推广。我们解释了高水平的过度分散，根据相邻位置的条件自回归模型的基础上。在实证研究中，我们比较了不同的层次投影模型，用于分析日本各县之间多年来死亡率的地理多样性。通过马尔可夫链蒙特卡罗（MCMC）计算，结果表明，我们提出的模型的灵活性和预测性能。
2021-03-05 stat.ME
Mortality Forecasting as a Flow Field in Tucker Decomposition Space
The Ohio State University（俄亥俄州立大学）
本文提出利用Tucker分解空间中的流场进行死亡率预测，通过低维分数空间整合，减少预测偏差，优于传统方法。
2026-04-13 stat.ME
Multi-dimensional Mortality (MDMx): Sex-Age-Specific Model Life Tables, Fitting, Prediction from Summary Mortality Indicators, and Forecasting
The Ohio State University（俄亥俄州立大学）
本文提出MDMx模型，整合了生命表、拟合、预测和预测四种方法，通过张量分解实现性-年龄特异性输出的结构一致性。
2026-03-25 stat.AP stat.ME
Sensitivity Analysis of Error-Contaminated Time Series Data under Autoregressive Models with Application of COVID-19 Data
自回归（AR）模型是时间序列分析中非常有用的工具。在这种模型下的推断在存在测量误差的情况下被扭曲，这在实践中是非常常见的。在这篇文章中，我们建立了分析结果量化的参数估计在AR模型的偏差，如果测量误差的影响被忽略。我们提出了两个测量误差模型来描述数据污染的不同过程。提出了一种估计方程的方法来估计模型参数的测量误差的影响占。我们进一步讨论预测使用所提出的方法。我们的工作受到COVID-19数据的启发，由于多种原因，包括无症状病例和不同的潜伏期，这些数据受到错误的影响。我们通过对加拿大四个人口最多的省份的COVID-19死亡率进行敏感性分析和预测来实施我们提出的方法。结果表明，纳入或不纳入测量误差的影响产生相当不同的结果参数估计和预测。
2020-08-13 stat.AP stat.ME
Conformal prediction for functional time series: Application to age-specific mortality rates
Macquarie University（麦考瑞大学）
针对模型不确定性，提出无模型、无分布的保形预测方法，用于构建函数型时间序列的预测区间，并通过澳大利亚年龄别死亡率数据验证其有效性。
2026-05-28 stat.AP
Improving COVID-19 Forecasting using eXogenous Variables
The University of Georgia（佐治亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
在这项工作中，我们通过考虑国家和州一级的数据来研究美国的大流行过程。我们提出并比较了多个时间序列预测技术，其中包括辅助变量。一种类型的方法是基于时空图神经网络，其通过利用混合深度学习架构和人类移动数据来预测流行病进程。此图中的节点表示因COVID-19导致的州级死亡，边缘表示人类流动趋势，时间边缘对应于时间上的节点属性。第二种方法基于美国COVID-19死亡率预测的统计技术，该技术使用SARIMA模型和外源变量。我们在美国州和国家层面的COVID-19数据上评估了这些技术，并声称SARIMA和MCP模型通过外源变量生成的预测值可以丰富基础模型，以分别捕获国家和州层面数据的复杂性。我们展示了对COVID-19数据集的预测准确性的显著增强，在国家级数据中，预测准确性最大提高了64.58%和59.18%（平均），在州级数据中，预测准确性最大提高了58.79%和52.40%（平均）。此外，我们提出的模型比平行研究（AUG-NN）的准确性平均提高了27.35%。
2021-07-20 cs.LG stat.ME
Mortality Forecasting using Factor Models: Time-varying or Time-invariant Factor Loadings?
许多现有的死亡率模型遵循经典因子模型的框架，如Lee-Carter模型及其变体。因子模型中的潜在公共因子被定义为与时间相关的死亡率指数（如Lee-Carter模型中的$κ_t$）。因子载荷捕捉年龄变量和潜在公共因子（例如Lee-Carter模型中的$β_x$）之间的线性关系，在经典框架中假设为时不变的。这种假设在现实中通常限制性太强，因为死亡率数据集通常跨越很长一段时间。某些疾病的医疗改善、环境变化和技术进步等驱动力可能会显著影响不同变量之间的关系。在本文中，我们首先开发了一个因素模型与时变因素负荷（时变因素模型）作为一个扩展的经典因素模型的死亡率建模。针对时变因子模型，提出了两种外推因子负荷的预测方法：局部回归法和朴素法。通过实证数据分析，我们发现新的模型能够捕捉到时变因素负荷的经验特征，提高对不同时间段和不同国家的死亡率预测。此外，我们提出了一种新的方法，基于变点分析来估计短期和长期预测，这是有利于本地线性回归和天真的方法，分别之间的最佳“边界”。此外，仿真研究提供了各种情况下的时变因子模型的性能。
2021-02-03 stat.AP stat.ME
Bayesian mortality forecasting with a Conway--Maxwell--Poisson specification
School of Mathematics, Statistics, and Actuarial Science, University of Essex（埃塞克斯大学数学、统计与精算学院）；Department of Mathematics, University of Connecticut（康涅狄格大学数学系）
本文提出基于康威-马克斯韦尔-泊松分布的贝叶斯死亡率预测方法，通过MCMC方法校准模型，有效处理数据超离散性问题，提升预测精度。
2026-01-04 stat.ME
Is the age pension in Australia sustainable and fair? Evidence from forecasting the old-age dependency ratio using the Hamilton-Perry model
本研究使用 Hamilton-Perry 模型结合函数时间序列技术预测澳大利亚州级特定年龄人口，计算老年抚养比以确定到2051年的全国可持续养老金年龄，并调查养老金福利分配以识别弱势居民。
2024-10-16 stat.AP stat.ME
Mortality Forecasting under Climate Risk: A Stochastic Approach with Distributed Lag Non-Linear Models
The University of Melbourne（墨尔本大学）；LMU Munich（慕尼黑大学）
提出将分布滞后非线性模型融入随机死亡率模型，通过新回拟合算法分离气候与非气候风险，在三个欧洲区域验证了短期预测优势，并利用未来气候数据预测至2045年的死亡率变化。
2026-06-17 stat.AP stat.ME
Robust non-parametric mortality and fertility modelling and forecasting: Gaussian process regression approaches
School of Mathematics and Actuarial Science, University of Leicester（莱斯特大学数学与精算学院）
本文提出一种基于高斯过程回归的非参数方法，利用自然三次样条均值函数和谱混合协方差函数对年龄别死亡率和生育率进行建模与预测，在多个发达国家数据上相比主流方法显著提升了短期、中期和长期预测的精确性与稳健性。
2021-02-18 cs.LG stat.AP stat.ME
On models for the estimation of the excess mortality hazard in case of insufficiently stratified life tables
在使用基于人群的数据的癌症流行病学中，超额死亡风险的回归模型是估计癌症存活率和描述预后因素与超额死亡率之间的关联的有用方法。这种方法需要从一般人群生命表中获得预期死亡率：每个癌症患者都被分配了一个从生命表中获得的预期（背景）死亡率，通常至少根据他们的年龄和性别，从他们所属的人群中获得。然而，这些生命表可能分层不够，因为一些国家的生命表中没有贫困、种族和合并症等特征。这可能会影响分配给每个患者的背景死亡率，并且已经表明，不包括用于分配预期死亡率给每个患者的相关信息会导致超额风险模型回归参数估计的偏倚。我们提出了两个参数校正的超额风险回归模型，包括一个单一的参数或随机效应（脆弱性），占可能的不匹配的生命表，从而误设定的背景死亡率。在一个广泛的模拟研究中，所提出的方法表现出良好的统计性能，我们说明了他们的使用真实的人口为基础的肺癌患者的数据。我们目前的条件和这些方法的局限性，并提供了一些建议，在实践中使用。
2019-04-18 stat.AP stat.ME
Forecasting sub-population mortality using credibility theory
Stockholm University（斯德哥尔摩大学）；University of Copenhagen（哥本哈根大学）
本文提出利用可信理论预测小规模子人口死亡率，通过结合超人口和子人口的预期死亡率，提供一种在预测精度和稳定性之间平衡的方法。
2026-04-21 stat.AP stat.ME
Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
本文提出两种基于多元函数主成分分析的多人口死亡率联合建模与预测新模型，利用多国性别数据验证表明，所提协同建模方法在预测精度和性质上均优于现有模型。
2021-02-18 stat.AP stat.ME stat.ML
Bayesian Semiparametric Joint Modeling of Gap-Time Distribution for Multitype Recurrent Events and a Terminal Event
针对多类型复发事件与终点事件，提出一种基于间隔时间的贝叶斯半参数联合模型，通过共享脆弱性和伽马过程先验灵活量化事件依赖性，并开发高效MCMC算法，在模拟与ALLHAT数据中表现优越。
2025-09-12 stat.ME
Modeling and forecasting subnational age distribution of death counts
Macquarie University（麦考瑞大学）；University of York（约克大学）
本文提出方法建模和预测次国家死亡计数的年龄分布，通过非线性空间转换提升预测准确性，为人口统计和精算研究提供支持。
2026-04-22 stat.AP stat.ME
Probabilistic Functional Neural Networks
University of YYY（YYY大学）；Institute of WWW（WWW研究院）
本文提出概率函数神经网络（ProFnet），融合前馈/深度神经网络与概率建模，通过蒙特卡洛采样生成概率预测并量化不确定性，可捕捉时空依赖，适用于高维函数型时间序列，在日本死亡率数据上表现优越。
2025-03-27 cs.LG stat.ML
Comparing Malaria Trends in the Comoros Islands: ARIMA Modeling and Retrospective Analysis
本研究利用ARIMA(1,0,0)模型分析科摩罗群岛1990-2019年疟疾死亡率数据，验证了防控措施显著降低病例和死亡的效果，并强调持续支持与策略调整对维持低死亡率和实现消除疟疾至关重要。
2025-08-22 stat.AP
Estimating efficacy of measles supplementary immunization activities via discrete-time modeling of disease incidence time series
麻疹是全球疾病负担和儿童死亡率的重要来源。由于卫生保健基础设施和可及性差，在高负担环境中通过常规免疫接种（RI）计划进行麻疹疫苗接种仍然是一项挑战。因此，当局以注射疫苗运动的形式推行补充免疫活动，以减少易受感染的人口，预防麻疹爆发。SIA效力定义为接种SIA的易感人群的比例，是评估活动有效性的关键指标。我们提出了一个离散时间隐马尔可夫模型估计SIA的疗效和预测未来的发病率趋势，使用报告的麻疹发病率数据。我们的方法扩展了时间序列易感-感染-恢复（TSIR）框架，通过添加一个模型组件来捕获SIAs对易感人群的影响。它还通过不确定性传播的两阶段估计程序来解释报告不足及其相关的不确定性。该模型可用于估计潜在的易感人群动态，评估有多少易感人群接种了过去的SIA，并预测发病率的趋势在未来的各种假设SIA的情况下。我们通过模拟在不同水平的漏报下检查模型性能，并应用该模型分析2012年至2018年贝宁每月报告的麻疹发病率。
2020-10-17 stat.AP stat.ME
Gradient boosted multi-population mortality modelling with high-frequency data
Department of Economics, University of Melbourne（墨尔本大学经济学系）
本文提出一种将梯度提升技术融入传统随机死亡率模型的多群体方法，利用高频死亡数据提升预测精度，通过聚类分析优化子群体选择，减少数据预处理需求。
2026-05-13 stat.AP stat.ME
Gaussian Process Models for Mortality Rates and Improvement Factors
我们开发了一个高斯过程（“GP”）框架，用于对死亡率和死亡率改善因子进行建模。GP回归是一种非参数、数据驱动的方法，用于确定死亡率的空间依赖性，并联合平滑各维度的原始死亡率，如日历年和年龄。GP模型量化与平滑历史经验相关的不确定性，并为样本外预测生成完整的随机轨迹。我们的框架非常适合在新的可用数据到达时更新预测，并处理可信度较低的“边缘”问题。我们提出了一个详细的分析高斯过程模型的性能为美国死亡率的基础上CDC数据集的经验。我们研究了均值和残差建模、贝叶斯和非贝叶斯GP方法、样本内和样本外预测的准确性以及模型参数的稳定性之间的相互作用。我们还记录了过去几年死亡率改善因素的普遍下降以及强烈的年龄依赖性，将我们的研究结果与精算师协会（“SOA”）MP-2014和-2015模型进行了对比，这些模型没有完全反映这些最新趋势。
2018-04-11 stat.AP stat.CO stat.ME
Using Clinical Notes with Time Series Data for ICU Management
University of Minnesota（明尼苏达大学）；Nanyang Technological University（南洋理工大学）
监护ICU中的患者是一项具有挑战性和高成本的任务。因此，预测患者在ICU停留期间的状况可以帮助提供更好的急性护理和规划医院的资源。用于ICU管理的机器学习研究不断取得进展，其中大部分工作都集中在使用ICU仪器记录的时间序列信号上。在我们的工作中，我们表明，添加临床笔记作为另一种模式可以提高模型在三个基准任务中的性能：住院死亡率预测，失代偿建模和住院时间预测，这些在ICU管理中起着重要作用。虽然时间序列数据是以固定的时间间隔测量的，但医生的笔记是在不规则的时间绘制的，这使得将它们一起建模具有挑战性。我们提出了一种方法来建模它们联合，实现了相当大的改善基准任务的基线时间序列模型。我们的实现可以在\url{https://github.com/kaggarwal/ClinicalNotesICU}中找到。
2020-01-02 cs.CL cs.LG stat.ML
Multitask learning and benchmarking with clinical time series data
USC Information Sciences Institute（南加州大学信息科学研究所）；YerevaNN（耶烈万神经网络实验室）；Yerevan State University（埃里温国立大学）
医疗保健是数据挖掘和机器学习中最令人兴奋的前沿领域之一。电子健康记录（EHR）的成功采用创造了可用于分析的数字临床数据的爆炸式增长，但由于缺乏公开的基准数据集，医疗保健研究的机器学习进展一直难以衡量。为了解决这个问题，我们提出了四个临床预测基准，使用来自公开的重症监护医学信息市场（MIMIC-III）数据库的数据。这些任务涵盖了一系列临床问题，包括建模死亡风险，预测住院时间，检测生理衰退和表型分类。我们为所有四个任务提出了强大的线性和神经基线，并评估了深度监督，多任务训练和数据特定架构修改对神经模型性能的影响。
2019-08-09 cs.LG stat.ML
Forecasting age distribution of death counts: An application to annuity pricing
我们考虑一个组成数据分析方法来预测死亡人数的年龄分布。使用从人类死亡率数据库中获得的澳大利亚特定年龄段生命表死亡计数，组成数据分析方法比Lee-Carter方法、Hyndman-Ullah方法和两种朴素随机游动方法产生更准确的1 - 20步提前点和区间预测。人口统计学家对提高时期寿命表死亡人数的预测准确性估计生存概率和预期寿命，精算师对确定不同年龄和期限的临时年金价格非常感兴趣。虽然我们关注的是临时年金价格，但我们考虑的是长期合同，这些合同使年金几乎是终身的，特别是当进入时的年龄足够高时。
2019-08-05 stat.AP stat.ME
COVID-19 mortality analysis from soft-data multivariate curve regression and machine learning
提出了一种基于周期曲线对数回归和多元时间序列空间残差相关分析的多目标时空预测方法。具体而言，平均二次损失函数最小化的框架内的三角回归。而在我们随后的空间残差相关分析中，最大化的可能性使我们能够计算贝叶斯多变量时间序列软数据框架中的后验模式。所提出的方法适用于分析自2020年3月8日至2020年5月13日影响西班牙社区的第一波COVID-19死亡率。基于随机k折交叉验证、自举置信区间和概率密度估计，与机器学习（ML）回归进行了实证比较研究。该实证分析还研究了ML回归模型在硬数据和软数据框架中的性能。结果可以外推到其他计数，国家和后COVID-19波。
2021-03-27 cs.LG stat.AP stat.ME
Forecasting Age Distribution of Deaths: Cumulative Distribution Function Transformation
针对生命表死亡人数非线性约束问题，提出累积分布函数变换预测方法，利用日本数据验证表明其预测精度优于现有成分数据分析法，有助于人口学家与精算师的应用。
2025-04-01 stat.AP stat.ME
Population stratification enables modeling effects of reopening policies on mortality and hospitalization rates
目的：我们研究了当地重新开放政策对感染人群构成的影响，以及它们对未来住院率和死亡率的影响。材料与方法：我们收集了2020年5月1日至2020年6月29日期间德克萨斯州休斯顿COVID 19每日报告住院和累积死亡率的数据集。这些数据集来自多个来源（USA FACTS，东南德克萨斯州地区咨询委员会COVID 19报告，TMC每日新闻和纽约时报县级死亡率报告）。我们的模型，风险分层SIR HCD使用单独的变量来模拟局部接触的动态（例如，在家工作）和高接触（例如，现场工作）亚群，同时共享参数以随时间控制它们各自的$R_0(t)$。结果如下：我们评估了模型在德克萨斯州哈里斯县（大休斯顿地区人口最多的县）第一阶段和第二阶段重新开放期间的预测性能。我们的模型不仅优于其他竞争模型，它还支持反事实分析，以模拟未来政策在当地环境中的影响，这在现有方法中是独一无二的。讨论：当地死亡率和住院率受到隔离和重新开放政策的显著影响。现有的模型没有直接解释这些政策对当地感染、住院和死亡趋势的影响。我们的工作是试图缩小这一重要的技术差距，以支持决策。结论：尽管存在一些限制，但我们认为重新思考如何最好地模拟重新开放政策影响下的流行病动态是一个及时的努力。
2020-08-10 q-bio.PE stat.ME
Semi-parametric modeling of SARS-CoV-2 transmission using tests, cases, deaths, and seroprevalence data
适合流监测数据的机制模型对于了解疫情实时展开时的传播动态至关重要。然而，传输模型参数估计可能是不精确的，有时甚至是不可能的，因为监视数据是有噪声的，并且不能提供关于机械模型的所有方面的信息。为了部分克服这一障碍，贝叶斯模型已被提出来整合多个监控数据流。我们设计了一个模型框架，用于整合SARS-CoV-2诊断测试和死亡率时间序列数据，以及来自横断面研究的血清阳性率数据，并测试了各个数据流对推断和预测的重要性。重要的是，我们的发病率数据模型解释了所进行的测试总数的变化。我们模型的传输率，感染致死率比，和一个参数控制的真实情况下的发病率和阳性测试的分数之间的函数关系随时间变化的量和估计这些参数的变化非参数。我们比较我们的基础模型与修改后的版本，不使用诊断测试计数或血清阳性率数据，以证明包括这些经常未使用的数据流的效用。我们将贝叶斯数据整合方法应用于2020年3月至2021年2月在加利福尼亚州奥兰治县收集的COVID-19监测数据，发现截至2021年1月中旬，32- 72%的奥兰治县居民经历了SARS-CoV-2感染。尽管感染人数如此之高，但我们的研究结果表明，2021年1月冬季激增的突然结束是由于行为变化和高水平的自然免疫力积累。
2023-03-11 q-bio.PE stat.AP
CAST: Causal Anchored Simplex Transport for Distribution-Valued Time Series
Georgia Institute of Technology（佐治亚理工学院）；Indiana University（印第安纳大学）
该研究提出CAST方法，通过因果锚定简单集传输来处理分布值时间序列的因果预测，解决了分布传输中的结构性失效问题，并在多个基准测试中表现出色。
2026-05-16 cs.LG stat.ML
