从流行病预测了解时间序列基础模型的关键特征

季节性流感每年在美国感染数百万人，并导致大量发病和死亡，因此准确的短期预测成为核心公共卫生需求。对流行病时间序列的可靠预测可以为疫苗接种时间、医院人员配置和资源分配提供信息，但现代预测架构对传染病监测数据的比较行为仍然没有充分表征。我们通过在时间和空间概括设置下使用流感样疾病监测和流感相关住院时间序列对区域流感预测进行系统评估来解决这一差距，以进行提前 1-4 周的预测。我们比较了经典神经网络架构、基于 Transformer 的数值模型、预训练时间序列基础模型和基于 LLM 的预测方法。在各个任务中，我们证明了融合多个预训练预测器的专家混合模型实现了最强的整体性能，这表明异构预训练表示提供了互补的预测信息。我们的结果进一步表明，基于 Transformer 的数值模型可以产生可靠的预测，而预训练在较长时期内提供最大的收益，特别是当预训练领域在机械上与流感动态一致时。相比之下，在此设置下，基于 LLM 的时间序列方法相对于数值预测器表现不佳。最后，我们将住院信息作为辅助协变量和预训练源进行检查。住院信号在选定的环境中提供补充改进，并澄清额外的监测流何时增强多水平预测的稳健性。这些发现为流感防范的模型选择、预训练策略和辅助信号使用提供了可行的指导。