The Innovation | 面向传染病暴发检测的拓扑数据分析研究

背景：传染病暴发传播迅速且影响广泛，但疫情初期存在数据稀疏和噪声干扰问题，导致传统检测模型在预警精度和泛化能力上存在瓶颈。研究目的：为解决上述问题，本研究提出了一种名为TDA-PIDO的拓扑数据驱动检测框架。该方法通过噪声诱导的动力学模型生成模拟数据以缓解数据稀缺，利用时滞坐标嵌入和Vietoris-Rips复形提取拓扑特征，并将其向量化后用于分类器决策，旨在构建一个鲁棒性强、适应性广的传染病早期预警范式。结论：基于18国新冠疫情和香港SARS数据的测试表明，TDA-PIDO在复杂噪声和数据缺失（缺失率低于50%）条件下，性能显著优于22SF和5EWSI等现有方法，平均提升逾10个百分点，验证了其鲁棒性和泛化能力。未来研究可引入节点及传播异质性，并探索拓扑全局特征与局部动态的融合，以进一步提升模型性能。