用于 COVID 疫情预测的深度学习框架
机器学习
2020-10-08 v2
摘要
COVID-19（即一种冠状病毒变体，亦称引起呼吸道疾病的新型冠状病毒）自 2019 年 12 月底以来成为全球重大关切。截至 2020 年 9 月 12 日，已演变为流行爆发，全球确诊超 2900 万例、报告死亡约 100 万例。这迫切需要对 COVID-19 传播行为进行监测与预测以更好控制蔓延。在所有流行的 COVID-19 预测模型中，统计模型备受媒体关注。然而，由于高度不确定性且所需数据不足，统计模型在长期预测上准确性较低。本文提出深度学习模型的对比分析以预测 COVID-19 爆发，作为统计模型的替代。我们提出一种基于注意力的编解码器模型，名为 Attention-Long Short Term Memory (AttentionLSTM)。基于 LSTM 的神经网络层架构融入细粒度注意力机制，即关注隐藏状态维度而非隐藏状态向量本身，能够突出各隐藏状态维度的重要性和贡献。它有助于检测关键时间信息，形成高度可解释的网络。此外，我们实现了可学习的时间向量嵌入。由于向量表示的时间可轻易与多种架构相加，该向量表示称为 Time2Vec。我们使用约翰·霍普金斯大学系统科学与工程中心 (CSSE) 的 COVID-19 数据仓库评估所提模型性能。所提模型相较其他现有方法具有更优预测精度。
引用
@article{arxiv.2010.00382,
title = {A Deep Learning Framework for COVID Outbreak Prediction},
author = {Neeraj and Jimson Mathew and Ranjan Kumar Behera and Zenin Easa Panthakkalakath},
journal= {arXiv preprint arXiv:2010.00382},
year = {2020}
}