《Epidemiology & Infection》：A self-driven ESN-DSS approach for effective COVID-19 time series prediction and modelling – CORRIGENDUM
编辑推荐：
本刊推荐：为提升COVID-19疫情预测精度，Wang等开展了基于自驱动回声状态网络-动态系统选择(ESN-DSS)方法的研究。该研究通过优化储备池神经元数量(N)和谱半径(ρ(W))，显著降低了九国确诊病例预测的平均绝对百分比误差(MAPE)，为传染病动态建模提供了新工具。
在全球抗击COVID-19疫情的过程中，准确预测疫情发展趋势成为科学界面临的重大挑战。传统传染病模型在处理非线性动态系统时常显不足，尤其当疫情数据存在噪声和非平稳特性时，预测精度往往难以保证。这种局限性促使研究人员探索更先进的计算方法来提升预测可靠性。
为解决上述问题，Wang等学者在《Epidemiology and Infection》发表了基于自驱动回声状态网络-动态系统选择(ESN-DSS)的创新研究。该方法通过结合储备池计算框架和动态选择机制，有效提升了多国COVID-19确诊病例预测的准确性。
研究团队采用的核心技术包括：1）构建具有自适应能力的回声状态网络(ESN)处理时间序列数据；2）建立动态系统选择(DSS)机制优化模型参数；3）利用九国确诊病例数据验证模型性能；4）通过平均绝对百分比误差(MAPE)评估预测精度。特别注重调整储备池神经元数量(N)和谱半径(ρ(W))等关键超参数。
主要研究结果体现在两个核心环节：
首先，通过系统调整储备池规模发现，当神经元数量(N)增至特定阈值时，MAPE值呈现明显下降趋势。如图9所示，九国的MAPE变化曲线均呈现先快速下降后渐趋稳定的特征，表明适量增加网络复杂度能有效提升预测精度。
其次，针对谱半径(ρ(W))的优化实验显示，该参数对模型稳定性具有决定性影响。当ρ(W)处于0.7-0.9区间时，各国家的MAPE值均达到最优水平。如图11所证，谱半径的适度增大有助于增强网络动态记忆能力，但过度增大则会导致系统失稳。
值得注意的是，原论文中图9和图11因数据表述不准确需要更正，勘误版提供了更精确的可视化结果。这体现了研究者对科学严谨性的重视，也凸显了参数优化过程对模型性能的关键作用。
本研究通过系统验证ESN-DSS方法的预测效能，为传染病建模提供了三重启示：其一，自驱动学习机制能有效适应疫情数据的时变特性；其二，储备池计算的动态特性优于静态模型在处理非平稳序列时的表现；其三，通过超参数协同优化可实现预测精度与计算效率的平衡。该成果不仅为COVID-19预测提供了新方法，更为未来应对新发传染病提供了可扩展的计算框架。
