首先，曹老师从传染病预测的重要意义及需求入手，指出传统模型因数据单一和静态假设导致的局限性。随后，详细介绍了多源数据（如社交媒体、气象数据、人口流动信息）的整合技术与清洗方法，强调数据质量对预测结果的关键影响。在核心环节，重点讲解了多模型融合技术（如集成学习、贝叶斯平均）的优势，即通过结合统计模型与机器学习，提升预测的鲁棒性和可解释性。最后，通过意大利疫情的案例分析，展示了多模型融合如何辅助政府制定精准的防控决策，例如疫苗分配和隔离政策优化。

本次沙龙提高了教师对跨学科研究价值的认识，也为传染病预测领域提供了方法论创新与实践结合的范例。多模型融合技术为应对突发公共卫生事件开辟了新思路，未来需进一步加强学科协作，推动研究成果向政策转化。