MiCA: Leichtgewichtiger, mobilitätsbasierter Vorhersage-Adapter für Epidemien

Eine neue Methode namens Mobility‑Informed Causal Adapter (MiCA) verspricht, die Vorhersage von Infektionskrankheiten zu verbessern, ohne auf komplexe Datenstrukturen angewiesen zu sein. Durch die Kombination von kausaler Entdeckung und einem geschützten Residual‑Mixing kann MiCA die räumlichen Beziehungen, die durch menschliche Mobilität entstehen, in leichte Zeitreihenmodelle einfließen.

Traditionelle Vorhersagemodelle benötigen große Mengen sauberer Mobilitätsdaten und lange Zeitreihen, um zuverlässig zu arbeiten. In der Praxis sind diese Daten jedoch oft verrauscht, indirekt und schwer zu verknüpfen. MiCA löst dieses Problem, indem es die Mobilitätsbeziehungen selbstständig ermittelt und sie gezielt in die Vorhersage einbindet, ohne dabei auf aufwändige Graph‑Neural‑Netzwerke oder vollständige Attention‑Mechanismen zurückzugreifen.

In umfangreichen Tests mit vier realen Datensätzen – COVID‑19‑Fallzahlen, COVID‑19‑Todesfälle, Influenza und Dengue – zeigte MiCA eine durchschnittliche Fehlerreduktion von 7,5 % gegenüber herkömmlichen leichten Modellen. Gleichzeitig erreicht es Leistungen, die mit den führenden räumlich‑zeitlichen Modellen vergleichbar sind, bleibt jedoch dabei deutlich ressourcenschonender.