一人碾压专业机构，27岁MIT毕业生打造美国新冠预测「最准」模型

自新冠疫情席卷全球以来，大众一直希望通过专业的统计模型来了解病毒可能会带来的影响。其中有两个模型最受公认，一个来自伦敦帝国理工学院，一个来自西雅图的华盛顿大学健康数据与评估研究所(IHME)。

当然，这两个模型的预测走向是截然不同的，关键在于，和最终实际情况都不太接近。帝国理工模型预测到 2020 年的夏天美国可能会有 200 万新冠死亡病例，IHME 的预测则保守得多，为 6 万例。事实是，截止 2020 年 8 月初，美国最终死亡病例数为 16 万人。

但有一个模型，却因精准的预测数据广受好评：一位 27 岁的 MIT 毕业生、华裔数据科学家，做出了「超越专业机构水平」的新冠预测模型。

他的名字是 Youyang Gu，被外媒彭博社称为「Covid-19 Data Superstar」。包括《华尔街日报》 、《经济学人》 、《纽约时报》 、《华盛顿邮报》等知名媒体都报道了他开发的新冠预测模型。

在 2020 年 4 月中旬，Youyang Gu 注意到当时各预测模型的数据存在巨大差异，于是花了一个星期的时间搭建起了自己的预测模型和网站。

网站地址：https://covid19-projections.com/

华盛顿大学的生物学家 Carl Bergstrom 在社交平台推荐了这一模型：「所看到的一切令我印象深刻。」

从建立之初，该模型的表现就非常良好。比如模型在 4 月下旬预估，到 5 月 9 日美国将有 8 万人死亡，实际死亡人数为 79926；模型还预估 5 月 18 日美国将有 9 万例死亡，5 月 27 日将有 10 万例死亡，这些数字后来都被验证。此外，模型还预估随着许多州的封锁解除，将引起第二次大规模的感染和死亡。

到了 11 月，Youyang Gu 决定结束死亡数量预测，在项目停止前的一个月，该模型预测美国截止 2020 年 11 月 11 日的死亡人数将达到 231000 人。最终的实际数字与之非常接近：230995 人。

越来越多的人关注到 Youyang Gu 的工作，美国疾病控制与预防中心（CDC）也在新冠预测网站加上了该模型的数据，助力公共卫生决策。

关于 covid19-projections.com

现在，该网站能够提供的预测内容包括：1、美国总体感染数量预估；2、美国各州感染数量预估；3、美国各县感染数量预估。

某种意义上，Youyang Gu 搭建的网站并不复杂，他首先考虑的是检查「新冠检测」、「住院情况」和其他因素之间的关系，发现州政府和联邦政府在这类数据上的报告情况是不一致的。看起来最为可靠的是死亡人数，据 Youyang Gu 介绍：「其他模型用了更多的数据源，但我决定根据以往的死亡数量来预测未来的死亡数量，将其作为唯一输入，有助于从噪声中滤除信号。」

此外，这一模型的搭建也与他对机器学习算法的运用分不开。从 MIT 毕业后，Youyang Gu 在金融业有两年的工作经验，曾为高频交易系统编写算法。

SEIR 模拟器

具体来说，该模型基于流行病学中常用的经典 SEIR (易感 - 暴露 - 传染 - 恢复，susceptible-exposed-infectious-recovered) 模型，并增加了一个「暴露期」。如何理解 SEIR？在每个时间段，个体处于以下四种状态之一：易感 (s)、暴露(e)、传染(i) 和恢复(r)。

• 如果一个人处于易感状态，我们可以假设他们是健康的，但没有免疫力。

• 如果他们处于暴露状态，他们已经感染了病毒，但不具有传染性。

• 如果他们是传染性的，他们可以传播疾病。

• 一个被感染的人要么最终康复，要么死亡。

（假设康复的个体再次感染的机会很低，但并不为零。）

不同于传统的 SEIR 模型，该模拟器不使用微分方程。SEIR 并不是 covid19-projections.com 使用的完整模型，作者主要用其模拟个体每个时间段在这些不同状态间的移动。如果你的系统支持 Python，则可以在 5 分钟内生成自己的模拟器，代码地址：https://github.com/youyanggu/yyg-seir-simulator

数据集

covid19-projections.com 使用的唯一数据来源是 Johns Hopkins CSSE 每天报告的死亡人数，此外还使用每个州 / 国家 / 地区的人口数据来计算总易感人口。

由于原始数据可能比较嘈杂，因此作者首先运行平滑算法以对数据进行平滑处理。例如，如果一个州一天报告 0 例死亡，第二天报告 300 例死亡，则数据进行平滑处理后显示每天 150 例死亡。

作者使用了「网格搜索」等简单的机器学习技术，以确定相关参数的「真实值」，来使用 SEIR 模拟器准确地模拟现实世界中发生的事情。为了尽量避免模型的过拟合问题，作者开发了一个强大的验证系统，该系统允许在受控环境中测试各种变化，从而最大限度减少过拟合。

比如将模型设置为在前 20 天数据中运行，比较接下来 10 天的效果；然后通过在前 21 天数据中运行该，并比较接下来 9 天的效果；重复此过程，依此类推来执行交叉验证，同时保留训练集中的最大数据量。

关于 Youyang Gu

最后我们来了解一下模型作者本人。

Youyang Gu 在伊利诺伊州和加利福尼亚州长大，在 MIT 获得学士学位，主修电气工程、计算机科学和数学。他还获得了 MIT 的硕士学位，并作为 MIT CSAIL自然语言处理小组的一员完成了他的论文。

从 2020 年 11 月开始，Youyang Gu 的工作重点是预估美国 50 个州和 3000 多个县的实际新冠感染数量。

接下来，Youyang Gu 将开发其他预测工作，比如美国有多少人感染、疫苗推出速度有多快，以及美国何时能够实现群体免疫等有关数据。他的预测表明，到 6 月时，美国大约 61％的人口应具有某种形式的免疫力，来自疫苗或是过往的的感染经历。

参考链接：https://www.bloomberg.com/news/articles/2021-02-19/covid-pandemic-how-youyang-gu-used-ai-and-data-to-make-most-accurate-prediction