Power-law Memory Guided Physics-informed Neural Network for Parameters Identification of Fractional-order Epidemic Models

SHU Fan; HU Chengyu; YAN Xuesong; GONG Wenyin

doi:10.11907/rjdk.251123

您当前的位置：

首页 >

文章列表页 >

Power-law Memory Guided Physics-informed Neural Network for Parameters Identification of Fractional-order Epidemic Models

Computer Software and Theory | 更新时间：2026-04-30

- Power-law Memory Guided Physics-informed Neural Network for Parameters Identification of Fractional-order Epidemic Models
- Software Guide Vol. 25, Issue 4, Pages: 110-122(2026)
- 作者机构：
  
  中国地质大学（武汉）计算机学院，湖北武汉 430074
- 作者简介：
- 基金信息：
- DOI：10.11907/rjdk.251123
  CLC： TP183
- Received：25 March 2025，
  
  Published：15 April 2026
- 稿件说明：
移动端阅览
舒帆,胡成玉,颜雪松等.基于幂律记忆引导的物理信息神经网络分数阶传染病系统参数辨识[J].软件导刊,2026,25(04):110-122.

SHU Fan,HU Chengyu,YAN Xuesong,et al.Power-law Memory Guided Physics-informed Neural Network for Parameters Identification of Fractional-order Epidemic Models[J].Software Guide,2026,25(04):110-122.
舒帆,胡成玉,颜雪松等.基于幂律记忆引导的物理信息神经网络分数阶传染病系统参数辨识[J].软件导刊,2026,25(04):110-122. DOI： 10.11907/rjdk.251123.

SHU Fan,HU Chengyu,YAN Xuesong,et al.Power-law Memory Guided Physics-informed Neural Network for Parameters Identification of Fractional-order Epidemic Models[J].Software Guide,2026,25(04):110-122. DOI： 10.11907/rjdk.251123.

摘要

准确的分数阶传染病模型参数和阶次辨识对于预测和控制传染病的传播至关重要。然而，现实世界中传染病的动态特性和分数阶导数固有的复杂性使得这一任务极具挑战。为此，提出一种用于分数阶传染病模型的阶次和参数辨识模型——幂律记忆引导的物理信息神经网络PLM-PINN。具体而言，将分数阶导数的幂律记忆机制集成到物理信息神经网络的前向传播过程中，使PLM-PINN 能在幂律记忆的指导下，结合当前动态与历史特征，充分挖掘观测数据中潜在的长期依赖关系。同时，PLM-PINN 还考虑到传染病模型的物理先验知识，提供了结构化约束，以确保辨识结果符合系统方程。此外，幂律记忆机制在PLM-PINN反向传播过程中提供的额外历史梯度信息进一步增强了模型参数识别的准确性和鲁棒性。在真实世界传染病数据集上的实验结果表明，PLM-PINN的辨识准确性比传统模型提升了67%。

Abstract

Accurate parameter and order identification of fractional order infectious disease model is crucial to predict and control the spread of infectious diseases. However， the dynamic characteristics of infectious diseases in the real world and the inherent complexity of fractional derivatives make this task extremely challenging. For this reason， a model for order and parameter identification of fractional order infectious disease model， the power law memory guided physical information neural network PLM-PINN， is proposed. Specifically， the power law memory mechanism of fractional derivatives is integrated into the forward propagation process of the physical information neural network， so that PLM-PINN can fully tap the potential long-term dependence in the observation data under the guidance of the power law memory， combined with the current dynamic and historical characteristics. At the same time， PLM-PINN also takes into account the physical prior knowledge of the epidemic model and provides structural constraints to ensure that the identification results conform to the system equations. In addition， the additional historical gradient information provided by the power law memory mechanism in the back propagation process of PLM-PINN further enhances the accuracy and robustness of model parameter identification. The experimental results on the real world infectious disease dataset show that the identification accuracy of PLM-PINN is 67% higher than that of the traditional model.

关键词

Keywords

references

MATHIS S M ， WEBBER A E ， LEÓN T M ， et al . Evaluation of FluSight influenza forecasting in the 2021-22 and 2022-23 seasons with a new target laboratory-confirmed influenza hospitalizations ［J］. Nature Communications ， 2024 ， 15 （ 1 ）： 6289 .

TU Y ， HAYAT T ， HOBINY A ， et al . Modeling and multi-objective optimal control of reaction-diffusion COVID-19 system due to vaccination and patient isolation ［J］. Applied Mathematical Modelling ， 2023 ， 118 ： 556 - 591 . doi: 10.1016/j.apm.2023.02.002 http://dx.doi.org/10.1016/j.apm.2023.02.002

MA C ， LI X ， ZHAO Z ， et al . Understanding dynamics of pandemic models to support predictions of COVID-19 transmission： parameter sensitivity analysis of SIR-type models ［J］. IEEE Journal of Biomedical and Health Informatics ， 2022 ， 26 （ 6 ）： 2458 - 2468 . doi: 10.1109/jbhi.2022.3168825 http://dx.doi.org/10.1109/jbhi.2022.3168825

CAO L ， LIU Q . COVID-19 modeling： a review ［J］. ACM Computing Surveys ， 2024 ， 57 （ 1 ）： 1 - 42 . doi: 10.1145/3686150 http://dx.doi.org/10.1145/3686150

DEMONGEOT J ， MAGAL P . Data-driven mathematical modeling approaches for COVID-19： a survey ［J］. Physics of Life Reviews ， 2024 ， 50 ： 166 - 208 . doi: 10.1016/j.plrev.2024.08.004 http://dx.doi.org/10.1016/j.plrev.2024.08.004

CALAFIORE G C ， NOVARA C ， POSSIERI C . A time-varying SIRD model for the COVID-19 contagion in Italy ［J］. Annual Reviews in Control ， 2020 ， 50 ： 361 - 372 . doi: 10.1016/j.arcontrol.2020.10.005 http://dx.doi.org/10.1016/j.arcontrol.2020.10.005

MENG X ， LI Z ， CAO J . Almost periodic quasi-projective synchronization of delayed fractional-order quaternion-valued neural networks ［J］. Neural Networks ， 2024 ， 169 ： 92 - 107 . doi: 10.1016/j.neunet.2023.10.017 http://dx.doi.org/10.1016/j.neunet.2023.10.017

PU Y F ， SIARRY P ， ZHU W Y ， et al . Fractional-order ant colony algorithm： a fractional long term memory based cooperative learning approach ［J］. Swarm and Evolutionary Computation ， 2022 ， 69 ： 101014 . doi: 10.1016/j.swevo.2021.101014 http://dx.doi.org/10.1016/j.swevo.2021.101014

CHEN Y ， WEN G ， RAHMANI A ， et al . Memory fusion controller of fractional-order systems with sliding memory window under intermittent sampled-data transmission ［J］. IEEE Transactions on Cybernetics ， 2023 ， 54 ： 2641 - 2653 . doi: 10.1109/tcyb.2023.3289946 http://dx.doi.org/10.1109/tcyb.2023.3289946

METZLER R ， KLAFTER J . The random walk’s guide to anomalous diffusion： a fractional dynamics approach ［J］. Physics Reports ， 2000 ， 339 （ 1 ）： 1 - 77 . doi: 10.1016/s0370-1573(00)00070-3 http://dx.doi.org/10.1016/s0370-1573(00)00070-3

JAHANSHAHI H ， MUNOZ-PACHECO J M ， BEKIROS S ， et al . A fractional-order SIRD model with time-dependent memory indexes for encompassing the multi-fractional characteristics of the COVID-19 ［J］. Chaos ， Solitons & Fractals， 2021 ， 143 ： 110632 . doi: 10.1016/j.chaos.2020.110632 http://dx.doi.org/10.1016/j.chaos.2020.110632

DOU Z L . Dynamics analysis of SEIR epidemic model with fractional order time-delay ［J］. Mathematics in Practice and Theory ， 2024 ， 54 （ 4 ）： 162 - 170 .

豆中丽 . 分数阶时滞SEIR传染病模型的动力学分析［J］. 数学的实践与认识， 2024 ， 54 （ 4 ）： 162 - 170 .

ZHANG M Y ， XIAO M ， DING J ， et al . Dynamics analysis of a class of fractional-order SIR model with time delay ［J］. Control Engineering of China ， 2023 ， 30 （ 10 ）： 1786 - 1792 .

张明月，肖敏，丁洁，等 . 一类时滞分数阶SIR模型的动力学分析［J］. 控制工程， 2023 ， 30 （ 10 ）： 1786 - 1792 .

CHETOUI M ， AOUN M . Fourth-order cumulants based-least squares methods for fractional multiple-input-single-output errors-in-variables system identification ［J］. Fractional Calculus and Applied Analysis ， 2023 ， 26 （ 4 ）： 1868 - 1893 . doi: 10.1007/s13540-023-00174-z http://dx.doi.org/10.1007/s13540-023-00174-z

YU Z ， HUAI R ， LI H . CPSO-based parameter-identification method for the fractional-order modeling of lithium-ion batteries ［J］. IEEE Transactions on Power Electronics ， 2021 ， 36 （ 10 ）： 11109 - 11123 . doi: 10.1109/tpel.2021.3073810 http://dx.doi.org/10.1109/tpel.2021.3073810

XIE B ， GE F . Parameters and order identification of fractional-order epidemiological systems by Lévy-PSO and its application for the spread of COVID-19 ［J］. Chaos ， Solitons & Fractals， 2023 ， 168 ： 113163 . doi: 10.1016/j.chaos.2023.113163 http://dx.doi.org/10.1016/j.chaos.2023.113163

DONG Z ， MA N . Differential evolution quantum particle swarm optimization for parameter estimation of fractional-order chaotic system ［J］. Journal of System Simulation ， 2019 ， 31 （ 8 ）： 1664 - 1673 .

董泽，马宁 . 差分量子粒子群算法的分数阶混沌系统参数估计［J］. 系统仿真学报， 2019 ， 31 （ 8 ）： 1664 - 1673 .

BRUNTON S L ， PROCTOR J L ， KUTZ J N . Discovering governing equations from data by sparse identification of nonlinear dynamical systems ［J］. Proceedings of the National Academy of Sciences ， 2016 ， 113 （ 15 ）： 3932 - 3937 . doi: 10.1073/pnas.1517384113 http://dx.doi.org/10.1073/pnas.1517384113

DONG X ， BAI Y L ， LU Y ， et al . An improved sparse identification of nonlinear dynamics with Akaike information criterion and group sparsity ［J］. Nonlinear Dynamics ， 2023 ， 111 （ 2 ）： 1485 - 1510 . doi: 10.1007/s11071-022-07875-9 http://dx.doi.org/10.1007/s11071-022-07875-9

KHARAZMI E ， CAI M ， ZHENG X ， et al . Identifiability and predictability of integer-and fractional-order epidemiological models using physics-informed neural networks ［J］. Nature Computational Science ， 2021 ， 1 （ 11 ）： 744 - 753 . doi: 10.1038/s43588-021-00158-0 http://dx.doi.org/10.1038/s43588-021-00158-0

LU L ， JIN P ， PANG G ， et al . Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators ［J］. Nature Machine Intelligence ， 2021 ， 3 （ 3 ）： 218 - 229 . doi: 10.1038/s42256-021-00302-5 http://dx.doi.org/10.1038/s42256-021-00302-5

NING X ， JIA L ， WEI Y ， et al . Epi-DNNs： epidemiological priors informed deep neural networks for modeling COVID-19 dynamics ［J］. Computers in Biology and Medicine ， 2023 ， 158 ： 106693 . doi: 10.1016/j.compbiomed.2023.106693 http://dx.doi.org/10.1016/j.compbiomed.2023.106693

TUTSOY O ， POLAT A . Linear and non-linear dynamics of the epidemics： system identification based parametric prediction models for the pandemic outbreaks ［J］. ISA Transactions ， 2022 ， 124 ： 90 - 102 . doi: 10.1016/j.isatra.2021.08.008 http://dx.doi.org/10.1016/j.isatra.2021.08.008

SARKAR D U ， PRAKASH T ， SINGH S N . Fractional order PID-PSS design using hybrid deep learning approach for damping power system oscillations ［J］. IEEE Transactions on Power Systems ， 2025 ， 40 （ 1 ）： 543 - 555 . doi: 10.1109/tpwrs.2024.3416753 http://dx.doi.org/10.1109/tpwrs.2024.3416753

DEMEESTER T . System identification with time-aware neural sequence models ［C］// Proceedings of the AAAI Conference on Artificial Intelligence ， 2020 ： 3757 - 3764 . doi: 10.1609/aaai.v34i04.5786 http://dx.doi.org/10.1609/aaai.v34i04.5786

YU R ， WANG R . Learning dynamical systems from data： an introduction to physics-guided deep learning ［J］. Proceedings of the National Academy of Sciences ， 2024 ， 121 （ 27 ）： e2311808121 . doi: 10.1073/pnas.2311808121 http://dx.doi.org/10.1073/pnas.2311808121

RAISSI M ， PERDIKARIS P ， KARNIADAKIS G E . Physics-informed neural networks： a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations ［J］. Journal of Computational Physics ， 2019 ， 378 ： 686 - 707 . doi: 10.1016/j.jcp.2018.10.045 http://dx.doi.org/10.1016/j.jcp.2018.10.045

LINKA K ， SCHÄFER A ， MENG X ， et al . Bayesian physics informed neural networks for real-world nonlinear dynamical systems ［J］. Computer Methods in Applied Mechanics and Engineering ， 2022 ， 402 ： 115346 . doi: 10.1016/j.cma.2022.115346 http://dx.doi.org/10.1016/j.cma.2022.115346

RODRÍGUEZ A ， CUI J ， RAMAKRISHNAN N ， et al . Einns：epidemiologically-informed neural networks ［C］// Proceedings of the AAAI Conference on Artificial Intelligence ， 2023 ： 14453 - 14460 . doi: 10.1609/aaai.v37i12.26690 http://dx.doi.org/10.1609/aaai.v37i12.26690

SCHIASSI E ， DE FLORIO M ， D’AMBROSIO A ， et al . Physics-informed neural networks and functional interpolation for data-driven parameters discovery of epidemiological compartmental models ［J］. Mathematics ， 2021 ， 9 （ 17 ）： 2069 . doi: 10.3390/math9172069 http://dx.doi.org/10.3390/math9172069

MILLEVOI C ， PASETTO D ， FERRONATO M . A physics-informed neural network approach for compartmental epidemiological models ［J］. PLOS Computational Biology ， 2024 ， 20 （ 9 ）： e1012387 . doi: 10.1371/journal.pcbi.1012387 http://dx.doi.org/10.1371/journal.pcbi.1012387

HAN S ， STELZ L ， STOECKER H ， et al . Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks ［J］. Journal of the Franklin Institute ， 2024 ， 361 （ 6 ）： 106671 . doi: 10.1016/j.jfranklin.2024.106671 http://dx.doi.org/10.1016/j.jfranklin.2024.106671

CAI M ， KARNIADAKIS G ， LI C . Fractional SEIR model and data-driven predictions of COVID-19 dynamics of Omicron variant ［J］. Chaos： An Interdisciplinary Journal of Nonlinear Science ， 2022 ， 32 （ 7 ）： 071101 . doi: 10.1063/5.0099450 http://dx.doi.org/10.1063/5.0099450

XIANG C Q ， YIN X Y ， WU X ， et al . Parameter identification of DC-link capacitor in traction converter based on physical information neural network ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 15 ）： 4654 - 4667 .

向超群，尹雪瑶，伍珣，等 . 基于物理信息神经网络的牵引变流器直流支撑电容参数辨识方法［J］. 电工技术学报， 2024 ， 39 （ 15 ）： 4654 - 4667 .

PINEDA F J . Dynamics and architecture for neural computation ［J］. Journal of Complexity ， 1988 ， 4 （ 3 ）： 216 - 245 . doi: 10.1016/0885-064x(88)90021-0 http://dx.doi.org/10.1016/0885-064x(88)90021-0

JIA X ， LIU S ， FENG X ， et al . Focnet：a fractional optimal control network for image denoising ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2019 ： 6054 - 6063 . doi: 10.1109/cvpr.2019.00621 http://dx.doi.org/10.1109/cvpr.2019.00621

LIU L ， ZHANG S ， ZHANG L ， et al . Multi-UUV maneuvering counter-game for dynamic target scenario based on fractional-order recurrent neural network ［J］. IEEE Transactions on Cybernetics ， 2022 ， 53 （ 6 ）： 4015 - 4028 . doi: 10.1109/tcyb.2022.3225106 http://dx.doi.org/10.1109/tcyb.2022.3225106

KILBAS A ， SRIVASTAVA H M ， TRUJILLO J J . Theory and applications of fractional differential equations： volume 204 ［M］. Amsterdam ： Elsevier ， 2006 . doi: 10.1016/s0304-0208(06)80001-0 http://dx.doi.org/10.1016/s0304-0208(06)80001-0

HE K ， ZHANG X ， REN S ， et al . Deep residual learning for image recognition ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

EDELMAN M . Universality in systems with power-law memory and fractional dynamics ［M］. Berlin ： Springer ， 2018 ： 147 - 171 . doi: 10.1007/978-3-319-68109-2_8 http://dx.doi.org/10.1007/978-3-319-68109-2_8

DONG E ， DU H ， GARDNER L . An interactive web-based dashboard to track COVID-19 in real time ［J］. The Lancet Infectious Diseases ， 2020 ， 20 （ 5 ）： 533 - 534 . doi: 10.1016/s1473-3099(20)30120-1 http://dx.doi.org/10.1016/s1473-3099(20)30120-1

ZHANG Q W ， XING H W ， LIANG Q Q ， et al . Fractional-order physics-informed neural network for predicting and inverting heat transfer in blast furnace cooling staves ［J］. International Journal of Thermal Sciences ， 2026 ， 223 ： 110594 . doi: 10.1016/j.ijthermalsci.2025.110594 http://dx.doi.org/10.1016/j.ijthermalsci.2025.110594

AGINA P C ， CHUKWUMA E I ， CHUKA-OBIDIEGWU B E ， et al . Local and global stability analysis of the disease-free equilibrium in a fractional-order Ebola virus transmission model ［J］. International Journal of Applied Science and Mathematical Theory ， 2026 ， 12 （ 3 ）： 30 - 48 .

TELKSNIENE I ， COCCOLO M ， PARDO-REYNOSO M A ， et al . Asymmetric effects of fractional orders on synchronization in a periodically forced FitzHugh-Nagumo system ［J］. Chaos ， Solitons & Fractals， 2026 ， 202 ： 117475 . doi: 10.1016/j.chaos.2025.117475 http://dx.doi.org/10.1016/j.chaos.2025.117475

SWAIN S ， SWAIN S ， PANDA B ， et al . Modeling and optimal analysis of lung cancer cell growth and apoptosis with fractional-order dynamics ［J］. Computers in Biology and Medicine ， 2025 ， 188 ： 109837 . doi: 10.1016/j.compbiomed.2025.109837 http://dx.doi.org/10.1016/j.compbiomed.2025.109837

NISAR K S ， FARMAN M ， JAMIL K ， et al . Synchronization and dynamics of modified fractional order Kawasaki disease model with chaos stability control ［J］. Scientific Reports ， 2025 ， 15 （ 1 ）： 25953 . doi: 10.1038/s41598-025-09944-6 http://dx.doi.org/10.1038/s41598-025-09944-6

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

⁰