可审计的上下文感知手足口病（HFMD）预测：基于结构化大语言模型代理的神经符号框架

核心贡献：解耦语义解释与统计建模

该工作针对手足口病（HFMD）预测中外部协变量（如校历、气温、公共卫生政策）难以被传统时序模型语义理解的问题，提出两阶段神经符号架构，明确分离‘上下文语义解析’与‘概率化时序建模’任务。

技术架构：LLM 代理 + 统计生成器

• Event Interpreter：基于大语言模型（LLM）的结构化代理，接收非结构化/半结构化输入（教育部校历文档、气象局天气摘要、国家疾控中心监测简报、临床诊疗指南等），输出单一归一化标量——‘传播影响信号’（transmission-impact signal），该信号具备可追溯、可验证的推理链；
• Forecast Generator：将上述信号与历史 HFMD 病例时间序列（如 CDC 公开周报数据）联合建模，采用 Poisson 或负二项分布的矩匹配（moment matching）方法，将点预测映射为完整概率分布，支持风险区间量化与决策阈值设定。

对比基线：凸显语义鸿沟

经典模型（ARIMA、Prophet）与基础时序大模型（Chronos、Moirai、TimesFM）均将外部协变量编码为数值向量输入，无法显式建模‘寒假结束→学生返校→接触率上升→传播加速’等流行病学因果链；本框架首次在 HFMD 预测中实现协变量的符号化解释与概率预测的端到端可审计耦合。