EpiEvolve：受限标签延迟下流式疫情预测的自演化智能体

流行病LLM预测者通常作为静态监督模型进行培训和评估，而业务流行病预测是一个流过程，其中标签在预测和疾病状况随时间变化后到达。我们研究了五种不同制度下每周 COVID-19 住院趋势预测中的这种不匹配情况。我们引入了 EpiEvolve，这是一种自我进化代理，它封装了在热启动期间训练的 LLM 预测器，并在流式传输期间保持其权重固定。 EpiEvolve 通过将预测结果存储在分层情景记忆中、反映延迟标签、检索与当前制度相关的案例以及将重复出现的错误提炼为战略规则来进行适应。由此产生的上下文允许预测者在接下来的几周内重复使用自己过去的预测和结果，同时遵循时间顺序协议以防止未来泄漏。在流数据集上，EpiEvolve 的平均准确度为 0.629，而静态骨干网的平均准确度为 0.561，外部 CDC 整体的平均准确度为 0.325，并且在状态从 5周转变为 2周后，恢复滞后减少。消融表明，反思、策略记忆和状态感知检索都对收益有所贡献。