应用数学如何革新预测建模技术

深度学习与流行病预测的创新融合

当COVID-19疫情带来与传统零售需求预测截然不同的挑战时，应用科学家开始探索将现有算法应用于公共卫生领域的可能性。研究发现，原本在商业预测中表现优异的深度学习模型，由于疫情初期数据匮乏而表现不佳。

混合模型的突破性进展

传统的基于物理的流行病预测模型使用常微分方程（ODEs）计算疾病传播的不同阶段（从易感期到感染期）。虽然分区模型在预测感染和康复方面更优，但深度学习模型在死亡预测上更准确。研究人员提出将ODEs与机器学习结合的混合方法，相比纯深度学习模型，该方法在COVID-19轨迹预测上实现了57.4%的平均绝对误差降低。

数学背景的实际应用

研究人员拥有计算数学工程博士学位，专注于时间序列预测在各种客户需求中的应用。其工作强调核心数学建模，这与她的学术背景高度契合。从本科阶段开始，她就展现出对数学的热爱，将其视为"通用语言"。

技术实践与行业应用

在职业生涯早期，研究人员曾参与某图形处理器制造商的线性代数算法开发，为其数学库优化GPU处理相关算法。这段经历融合了编程与数学，使其确认了对工业界应用的热爱。

简单高效的解决方案哲学

面对复杂的研究问题，建议采用分步解决的策略："将模糊的问题分解为核心子问题"。团队注重协作与跨学科交流，通过暑期实习项目指导研究生，这种知识传递过程反而加深了对概念本身的理解。最终目标不是最复杂的解决方案，而是简单高效的解决方案。

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码