🤖 machine learning

How (Not) to Hybridize Neural and Mechanistic Models for Epidemiological Forecasting

यह शोध पत्र एक सुदृढ़ हाइब्रिड पूर्वानुमान ढांचे का प्रस्ताव करता है जो संक्रमण डेटा को बहु-स्तरीय घटकों में विघटित करके गैर-स्थिरता (non-stationarity) को स्पष्ट रूप से मॉडल करता है ताकि एक नियंत्रित न्यूरल ODE को एक यांत्रिक महामारी विज्ञान मॉडल के साथ जोड़ा जा सके, जिससे सहायक सह-चरों (auxiliary covariates) के बिना ही प्रकोपों की भविष्यवाणी करने और समय-परिवर्तनीय संचरण दरों को पुनः प्राप्त करने में उत्कृष्ट सटीकता प्राप्त होती है।

मूल लेखक: Yiqi Su, Ray Lee, Jiaming Cui, Naren Ramakrishnan

प्रकाशित 2026-07-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yiqi Su, Ray Lee, Jiaming Cui, Naren Ramakrishnan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "How (Not) to Hybridize Neural and Mechanistic Models for Epidemiological Forecasting" नामक शोध पत्र का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी तस्वीर: अप्रत्याशित की भविष्यवाणी करना

कल्पना कीजिए कि आप केवल कुछ बिखरी हुई मौसम रिपोर्टों (जैसे दैनिक संक्रमण संख्या जैसे निगरानी डेटा) का उपयोग करके एक विशाल, अराजक तूफान (एक महामारी) के मार्ग की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास इसमें मदद करने के लिए दो उपकरण हैं:

मैकेनिस्टिक मॉडल (द नियम पुस्तिका): यह एक भौतिकी (physics) की पाठ्यपुस्तक की तरह है। यह प्रकृति के नियमों को जानता है: "यदि बारिश होती है, तो ज़मीन गीली हो जाती है।" महामारी विज्ञान में, यह नियमों को जानता है: "यदि एक बीमार व्यक्ति एक स्वस्थ व्यक्ति से मिलता है, तो वह स्वस्थ व्यक्ति बीमार हो सकता है।" यह विश्वसनीय है लेकिन कठोर है; यह मान लेता है कि मौसम के नियम कभी नहीं बदलते।
न्यूरल मॉडल (पैटर्न पहचानने वाला): यह एक सुपर-स्मार्ट AI की तरह है जिसने लाखों तूफानों को देखा है। यह जटिल पैटर्न पहचानने और अजीब, नए मौसम के अनुकूल होने में माहिर है। लेकिन यह एक "ब्लैक बॉक्स" है—इसे यह समझ नहीं आता कि तूफान क्यों चल रहा है, और यदि आप इसे बहुत दूर के भविष्य की भविष्यवाणी करने के लिए कहते हैं, तो यह बेतुकी बातें बनाना (hallucinating) शुरू कर सकता है।

समस्या: वैज्ञानिकों ने इन दोनों उपकरणों को मिलाने (एक "हाइब्रिड" मॉडल) का प्रयास किया ताकि दोनों दुनियाओं का सर्वश्रेष्ठ प्राप्त किया जा सके। हालाँकि, यह शोध पत्र तर्क देता है कि जब डेटा अधूरा होता है (जो वास्तविक जीवन में हमेशा होता है), तो उन्हें जोड़ने के अधिकांश प्रयास बुरी तरह विफल हो जाते हैं। AI भ्रमित हो जाता है, और नियम पुस्तिका अटक जाती है।

"एंटीपैटर्न": उन्हें कैसे न मिलाएं

लेखकों ने इन मॉडलों को मिलाने के कई तरीकों का परीक्षण किया और पाया कि वे चार सामान्य तरीकों से टूट जाते हैं:

"आंखों पर पट्टी बांधा हुआ ड्राइवर" (आंशिक दृश्यता/Partial Observability):
- सेटअप: आप केवल तूफान के "संक्रमित" हिस्से को देखते हैं, लेकिन AI को "सुभेद्य" (Susceptible) और "ठीक हुए" (Recovered) हिस्सों का भी अनुमान लगाने की आवश्यकता होती है।
- विफलता: यदि आप केवल AI को छिपे हुए हिस्सों का अनुमान लगाने देते हैं, तो वह लाखों अलग-अलग परिदृश्य बना सकता है जो सतह पर एक जैसे दिखते हैं। यह भविष्य में एक बड़े तूफान की भविष्यवाणी कर सकता है जो कभी होता ही नहीं है क्योंकि इसने छिपे हुए चरों (variables) का गलत अनुमान लगाया था। यह अतीत के डेटा को पूरी तरह से फिट करता है लेकिन भविष्य में बेतहाशा भटक जाता है।
"उल्टा ड्राइवर" (द्विदिश प्रशिक्षण/Bidirectional Training):
- सेटअप: वैज्ञानिकों ने AI को डेटा को समय में आगे और पीछे दोनों दिशाओं में देखकर सीखने के लिए सिखाने का प्रयास किया (जैसे टेप को रिवाइंड करना)।
- विफलता: हालांकि यह गणित को सुचारू बनाता है, लेकिन यह अंधापन ठीक नहीं करता है। AI अभी भी एक "भूतिया" तूफान बना सकता है जो आगे और पीछे दोनों तरफ से सुसंगत दिखता है, लेकिन वह अभी भी भौतिक रूप से असंभव है। यह गणित को संतुष्ट करता है लेकिन वास्तविकता को तोड़ देता है।
"कठोर नियम पुस्तिका" (फिजिक्स-इंफॉर्म्ड लॉस/Physics-Informed Loss):
- सेटअप: उन्होंने प्रशिक्षण के दौरान AI को सख्ती से नियम पुस्तिका के समीकरणों का पालन करने के लिए मजबूर करने का प्रयास किया।
- विफलता: जब डेटा विरल (sparse) होता है (केवल संक्रमण दिख रहा होता है), तो नियम पुस्तिका बहुत सख्त होती है। यदि वास्तविक दुनिया में एक अजीब "पुनः संक्रमण" (reinfection) चक्र है (जैसे दो बार बीमार होना), तो एक साधारण नियम पुस्तिका इसे संभाल नहीं सकती, और AI एक चौकोर टुकड़े को गोल छेद में फिट करने की कोशिश में फंस जाता है।
"एक ही आकार सबके लिए" (न्यूरल CDEs):
- सेटअप: उन्होंने सीधे AI के मस्तिष्क को नियंत्रित करने के लिए कच्चे डेटा स्ट्रीम का उपयोग करने का प्रयास किया।
- विफलता: महामारियों की अलग-अलग लय होती है: एक धीमी लंबी अवधि की प्रवृत्ति (लोगों का मास्क पहनने से थक जाना), एक वार्षिक लय (सर्दियों में फ्लू का मौसम), और रैंडम शोर (एक सुपर-स्प्रेडर घटना)। यदि आप AI को कच्चा, अस्त-व्यस्त डेटा खिलाते हैं, तो वह मौसमी लहर और रैंडम उछाल के बीच अंतर नहीं कर पाता है। यह अगली लहर की भविष्यवाणी करने में विफल रहता है।

समाधान: EpiNode (एक "विखंडित तूफान")

लेखक EpiNode नामक एक नया ढांचा प्रस्तावित करते हैं। AI को कच्चे, अस्त-व्यस्त तूफान के डेटा को खिलाने के बजाय, वे पहले इसे तीन अलग-अलग परतों में विखंडित (deconstruct) करते हैं, जैसे किसी गाने को उसकी बेस लाइन, मेलोडी और परकशन में अलग करना।

वे संक्रमण डेटा को विभाजित करने के लिए Variational Mode Decomposition (VMD) नामक तकनीक का उपयोग करते हैं:

ट्रेंड (बेस लाइन): महीनों तक चलने वाले चीज़ों जैसे कि प्रतिरक्षा (immunity) कम होने या व्यवहार बदलने के कारण होने वाला धीमा, दीर्घकालिक बदलाव।
सीजनलिटी (मेलोडी): अनुमानित, दोहराए जाने वाले पैटर्न (जैसे हर सर्दियों में फ्लू का मौसम)।
रेसिडुअल (परकशन): रैंडम, उच्च-आवृत्ति वाला शोर और अचानक आने वाले उछाल।

EpiNode कैसे काम करता है:

विशेष मस्तिष्क: एक बड़ा AI जो सब कुछ करने की कोशिश करता है, उसके बजाय, EpiNode के पास तीन छोटे, विशिष्ट "लेटेंट" (latent) AI हैं। एक केवल ट्रेंड को सुनता है, एक सीजनलिटी को, और एक रेसिडुअल को।
कंट्रोल पैनल: ये तीन AI एक कंट्रोल पैनल के रूप में कार्य करते हैं। वे "नियम पुस्तिका" (मैकेनिस्टिक मॉडल) को वास्तविक समय में अपनी सेटिंग्स को समायोजित करने के निर्देश देते हैं।
परिणाम: नियम पुस्तिका वास्तविकता में जमी रहती है (वह जानती है कि लोग नकारात्मक संक्रमण नहीं रख सकते), लेकिन AI विशिष्ट रुझानों के आधार पर प्रसार की गति और तीव्रता को नियंत्रित करता है।

यह क्यों जीतता है

लेखकों ने इस परीक्षण को सिंथेटिक डेटा (सिम्युलेटेड तूफान) और अमेरिका के वास्तविक फ्लू डेटा पर किया।

सटीकता: EpiNode ने सभी अन्य मॉडलों की तुलना में काफी कम गलतियाँ (कम त्रुटि दर) कीं, जिसमें सर्वश्रेष्ठ AI-ओनली और नियम पुस्तिका-ओनली मॉडल भी शामिल थे।
पीक प्रेडिक्शन (शिखर भविष्यवाणी): यह भविष्यवाणी करने में सबसे अच्छा था कि तूफान अपने उच्चतम बिंदु पर कब पहुंचेगा और वह कितना ऊँचा जाएगा। अन्य मॉडल अक्सर शिखर को बहुत जल्दी, बहुत देर से, या पूरी तरह से मिस कर देते थे।
"क्यों" की समझ: क्योंकि EpiNode संकेतों को अलग करता है, यह आपको बता सकता है कि संख्याएँ क्यों बदल रही हैं। यह दिखा सकता है कि संक्रमण दर एक मौसमी कारक (मेलोडी) के कारण बढ़ रही है या किसी रैंडम ग्लिच के कारण।

निचोड़

शोध पत्र निष्कर्ष निकालता है कि जटिल, बदलते महामारी की भविष्यवाणी करने के लिए, आप केवल एक न्यूरल नेटवर्क को भौतिकी मॉडल पर चिपका नहीं सकते। आपको पहले डेटा को साफ करना होगा। संक्रमण वक्र को उसके "ट्रेंड", "सीजनल" और "रैंडम" भागों में तोड़कर, और विशेषज्ञ AI घटकों को भौतिकी-आधारित मॉडल को निर्देशित करने देकर, आपको एक ऐसा पूर्वानुमान मिलता है जो सटीक और समझने योग्य दोनों है।

संक्षेप में: रोबोट को सड़क का धुंधला वीडियो दिखाकर कार चलाना नहीं सिखाएं। पहले वीडियो को साफ करें, सड़क को पेड़ों और आकाश से अलग करें, और फिर स्पष्ट, अलग किए गए संकेतों का उपयोग करके रोबोट को चलाने दें। यही EpiNode करता है।

तकनीकी सारांश: महामारी संबंधी पूर्वानुमान के लिए न्यूरल और मैकेनिस्टिक मॉडल्स को हाइब्रिडाइज (Hybridize) कैसे (करें और न करें)

समस्या विवरण (Problem Statement)

निगरानी डेटा (surveillance data) से महामारी संबंधी पूर्वानुमान लगाना एक चुनौतीपूर्ण कार्य है, जो आंशिक दृश्यता (partial observability) और गैर-स्थिरता (non-stationarity) की विशेषताओं से ग्रस्त है। जबकि मैकेनिस्टिक कम्पार्टमेंटल मॉडल (जैसे, SIR, SIRS) व्याख्यात्मकता (interpretability) और महामारी विज्ञान संबंधी तर्कसंगतता प्रदान करते हैं, वे अक्सर पैरामीटर स्थिरता (parameter stationarity) के कड़े अनुमानों पर निर्भर होते हैं। इसके विपरीत, डेटा-संचालित न्यूरल मॉडल (जैसे, RNNs, Transformers) गैर-स्थिर गतिकी (non-stationary dynamics) को पकड़ सकते हैं, लेकिन उनमें अक्सर व्याख्यात्मकता का अभाव होता है और वे लंबे समय के पूर्वानुमानों में भौतिक रूप से असंगत (physically inconsistent) परिणाम दे सकते हैं।

इन दृष्टिकोणों को हाइब्रिडाइज करना एक स्वाभाविक दिशा है, फिर भी यह शोध पत्र पहचान करता है कि कई सीधे तौर पर किए गए संयोजन (couplings) व्यवहार में विफल रहते हैं। विशेष रूप से, जब केवल अवस्थाओं का एक उपसमुच्चय (जैसे, संक्रमित मामले $I(t)$ ) देखा जाता है जबकि अन्य ( $S(t), R(t)$ ) अज्ञात (latent) रहते हैं, तो मानक हाइब्रिड मॉडल निम्नलिखित समस्याओं से जूझते हैं:

पहचान संबंधी मुद्दे (Identifiability Issues): कई अज्ञात प्रक्षेपवक्र (latent trajectories) एक ही देखे गए डेटा की व्याख्या कर सकते हैं, जिससे अस्थिर दीर्घकालिक रोलआउट (long-horizon rollouts) होते हैं।
अनुकूलन परिशोधन की विफलता (Failure of Optimization Refinements): द्विदिश एडजॉइंट ट्रेनिंग (bidirectional adjoint training) या फिजिक्स-इंफॉर्म्ड लॉस जैसी तकनीकें इनपुट सिग्नल में संरचनात्मक संकेतों की मौलिक कमी को हल नहीं कर पाती हैं, जिसके परिणामस्वरूप अक्सर क्षीण समाधान (degenerate solutions) या अवास्तविक अज्ञात गतिकी प्राप्त होती है।
बहु-तरंग गतिकी को पकड़ने में अक्षमता (Inability to Capture Multi-Wave Dynamics): मॉडल उन महामारी तरंगों (epidemic waves) के विस्तार (extrapolate) करने में संघर्ष करते हैं जो अज्ञात फोर्सिंग प्रक्रियाओं (जैसे, मौसमी बदलाव, प्रतिरक्षा कम होना) द्वारा संचालित होती हैं जो इनपुट चैनल में स्पष्ट रूप से प्रस्तुत नहीं होती हैं।

कार्यप्रणाली: एपिनोड (EpiNode) फ्रेमवर्क

इन विफलता मोडों को संबोधित करने के लिए, लेखक एक डिकंपोजिशन-कंट्रोल्ड हाइब्रिड फ्रेमवर्क, EpiNode का प्रस्ताव करते हैं। मुख्य अंतर्दृष्टि यह है कि मजबूत प्रदर्शन के लिए, एक नियंत्रित न्यूरल ODE के लिए कंट्रोल सिग्नल के रूप में कार्य करने हेतु देखे गए संक्रमण श्रृंखला (infection series) से मल्टी-स्केल संरचना को निकालने और उसका विस्तार करने के माध्यम से गैर-स्थिरता को स्पष्ट रूप से प्रस्तुत करना आवश्यक है।

1. मल्टी-स्केल सिग्नल डिकंपोजिशन (VMD)

देखी गई संक्रमण समय श्रृंखला $I(t)$ को वेरिएशनल मोड डिकंपोजिशन (VMD) का उपयोग करके तीन अलग-अलग घटकों में विभाजित किया जाता है:

ट्रेंड ( $T(t)$ ): संचित प्रतिरक्षा, व्यवहार और नीति द्वारा संचालित धीमे बदलावों को कैप्चर करता है।
सीजनल ( $S(t)$ ): आवधिक फोर्सिंग (जैसे, जलवायु, स्कूल टर्म) को कैप्चर करता है।
रेसिडुअल ( $R(t)$ ): उच्च-आवृत्ति शोर (high-frequency noise) और स्टोकेस्टिक उतार-चढ़ाव को अवशोषित करता है।

इन घटकों को चैनल-विशिष्ट नियमों (ट्रेंड के लिए लीनियर ड्रिफ्ट, सीजनलिटी के लिए पीरियोडिक टिलिंग, रेसिडुअल के लिए मीन) का उपयोग करके अवलोकन विंडो से आगे विस्तारित किया जाता है ताकि निरंतर कंट्रोल सिग्नल प्रदान किए जा सकें।

2. कोलाबोरेटिव लेटेंट न्यूरल ODEs

एक एकल लेटेंट स्टेट के बजाय, EpiNode तीन अलग-अलग लेटेंट स्टेट्स $h^{(T)}(t)$ , $h^{(S)}(t)$ , और $h^{(R)}(t)$ बनाए रखता है, जिनमें से प्रत्येक अपने संबंधित डिकम्पोज्ड कंट्रोल सिग्नल (टेम्पोरल कॉन्टेक्स्ट के लिए टाइम-डिली एम्बेडिंग के साथ) द्वारा संचालित एक न्यूरल ODE के अनुसार विकसित होता है:
$\frac{dh^{(c)}(t)}{dt} = f_{\theta_c}(h^{(c)}(t), u^{(c)}(t)) - \lambda_c h^{(c)}(t)$
जहाँ $c \in \{T, S, R\}$ । यह मल्टी-स्केल गतिकी को अलग करता है, जिससे मॉडल घटक-विशिष्ट टेम्पोरल डिपेंडेंसी को कैप्चर करने में सक्षम होता है।

3. मैकेनिस्टिक कपलिंग और पैरामीटर इन्फरेंस

समय-परिवर्तनीय महामारी संबंधी मापदंडों (parameters): ट्रांसमिशन रेट $\beta(t)$ , रिकवरी रेट $\gamma(t)$ , और इम्युनिटी-लॉस रेट $\delta(t)$ को डिकोड करने के लिए लेटेंट स्टेट्स को एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के माध्यम से फ्यूज किया जाता है। इन मापदंडों को बाउंडेड और व्याख्या योग्य श्रेणियों में सीमित किया जाता है।
डिकोड किए गए पैरामीटर एक मैकेनिस्टिक SIRS (Susceptible-Infected-Recovered-Susceptible) सिस्टम के ODEs को संचालित करते हैं:
$\dot{S} = -\beta S I + \delta R, \quad \dot{I} = \beta S I - \gamma I, \quad \dot{R} = \gamma I - \delta R$
मास कंजर्वेशन प्रवर्तन (mass conservation enforcement) के साथ सिस्टम को संख्यात्मक रूप से (RK4) एकीकृत किया जाता है ताकि महामारी विज्ञान संबंधी निरंतरता सुनिश्चित की जा सके।

4. ट्रेनिंग ऑब्जेक्टिव

मॉडल को देखे गए संक्रमित कंपार्टमेंट $I(t)$ पर वेटेड मीन स्क्वेर्ड एरर (weighted MSE) को कम करके एंड-टू-एंड प्रशिक्षित किया जाता है, जहाँ ग्रेडिएंट्स को ODE सॉल्वर और डिकंपोजिशन प्रक्रिया के माध्यम से बैकप्रोपैगेट किया जाता है।

प्रमुख योगदान (Key Contributions)

विफलता मोडों का लक्षण वर्णन: यह पेपर न्यूरल-मैकेनिस्टिक हाइब्रिडाइजेशन के "एंटी-पैटर्न" को व्यवस्थित रूप से सूचीबद्ध करता है, और प्रदर्शित करता है कि स्पष्ट संरचनात्मक नियंत्रण के बिना आंशिक दृश्यता और समय-परिवर्तनीय मापदंडों के तहत वेनिला न्यूरल ODEs, द्विदिश ट्रेनिंग और फिजिक्स-इंफॉर्म्ड लॉस विफल हो जाते हैं।
EpiNode आर्किटेक्चर: एक अभिनव फ्रेमवर्क जो मल्टी-स्केल सिग्नल डिकंपोजिशन को एक व्याख्यात्मक कंट्रोल सिग्नल के रूप में उपयोग करके, न्यूरल ODE को मैकेनिस्टिक SIRS गतिकी के साथ जोड़ता है, जिससे आंशिक दृश्यता और गैर-स्थिरता को संबोधित किया जा सके।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): सिंथेटिक और वास्तविक दुनिया के डेटासेट (CDC ILI डेटा) पर व्यापक बेंचमार्किंग से पता चलता है कि EpiNode, मजबूत बेसलाइन्स (ARIMA, LSTM, Neural ODEs, Latent ODEs, और अन्य फिजिक्स-इंफॉर्म्ड मॉडल्स) की तुलना में सबसे कम RMSE, सर्वश्रेष्ठ पीक डिटेक्शन सटीकता और समय-परिवर्तनीय मापदंडों की सबसे सटीक रिकवरी प्राप्त करता है।

प्रयोगात्मक परिणाम (Experimental Results)

पूर्वानुमान सटीकता: EpiNode ने सभी पांच डेटासेट्स (सिंथेटिक SIRS/SIR/SEIRS और वास्तविक दुनिया का ILI) पर सबसे कम RMSE प्राप्त किया, जो मजबूत बेसलाइन्स की तुलना में 27-70% की कमी दर्शाता है। इसने उन लंबी अवधि के रोलआउट्स में स्थिरता बनाए रखी जहाँ अन्य मॉडल भटक जाते हैं या सपाट (flatten) हो जाते हैं।
पीक डिटेक्शन: मॉडल ने सर्वश्रेष्ठ पीक टाइमिंग सटीकता (ILI डेटा पर 0.0 सप्ताह का बायस) और प्रतिस्पर्धी पीक मैग्नीट्यूड सटीकता प्राप्त की, जो उन तरीकों से बेहतर है जो अक्सर पीक टाइमिंग का हफ्तों गलत अनुमान लगाते हैं।
पैरामीटर इन्फरेंस: EpiNode ने सिंथेटिक डेटा के लिए ग्राउंड-ट्रुथ रेंज के भीतर अज्ञात कंपार्टमेंट्स ( $S, R$ ) और समय-परिवर्तनीय मापदंडों ( $\beta, \gamma, \delta$ ) को सफलतापूर्वक रिकवर किया। वास्तविक दुनिया के डेटा के लिए, इसने ज्ञात महामारी विज्ञान संबंधी पैटर्न के अनुरूप स्मूथ, सीजनली मॉड्युलेटेड ट्रांसमिशन रेट्स का अनुमान लगाया।
मजबूती (Robustness): मॉडल भौतिक बेमेल (जैसे, SIR डेटा पर प्रशिक्षण देना जबकि वास्तविक प्रक्रिया SEIRS थी) के तहत भी स्थिर रहा, जो दर्शाता है कि अनमॉडल की गई गतिकी की भरपाई करने के लिए लेटेंट कंट्रोल सिग्नल प्रभावी ढंग से काम करते हैं।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि केवल हाइब्रिडाइजेशन पर्याप्त नहीं है; सफलता की कुंजी लेटेंट गतिकी को निर्देशित करने के लिए देखे गए सिग्नल की मल्टी-स्केल संरचना को स्पष्ट रूप से मॉडल करना है। इनपुट को ट्रेंड, सीजनल और रेसिडुअल घटकों में विभाजित करके, EpiNode कन्फाउंडिंग प्रभावों को अलग करता है, जिससे सहायक कोवेरिएट्स (auxiliary covariates) पर निर्भर किए बिना स्थिर दीर्घकालिक पूर्वानुमान और व्याख्या योग्य पैरामीटर इन्फरेंस संभव होता है।

लेखक EpiNode को एक निर्णय-सहायता उपकरण (decision-support tool) के रूप में प्रस्तुत करते हैं जो भविष्य कहनेवाला प्रदर्शन (predictive performance) और महामारी विज्ञान संबंधी अंतर्दृष्टि के बीच के अंतर को पाटता है। यह न केवल पॉइंट फोरकास्ट प्रदान करता है बल्कि महामारी की गतिकी के अंतर्निहित चालकों (जैसे, मौसमी फोर्सिंग बनाम व्यवहार परिवर्तन) के संबंध में पूर्वव्यापी विश्लेषण क्षमताएं (retrospective analysis capabilities) भी प्रदान करता है। पेपर इसकी सीमाओं को स्वीकार करता है, यह नोट करते हुए कि वर्तमान फॉर्मूलेशन सिंगल-रीजन डिटर्मिनिस्टिक डायनेमिक्स पर ध्यान केंद्रित करता है और डिकंपोजिशन को एक प्रीप्रोसेसिंग स्टेप के रूप में मानता है, जो प्रोबेबिलिस्टिक मॉडलिंग, स्थानिक कपलिंग और लर्नबल डिकंपोजिशन मॉड्यूल में भविष्य के कार्य का सुझाव देता है।