一种用于长期 COVID-19 大流行预测与政策影响分析的移动感知深度学习模型
机器学习
2022-12-07 v1 人工智能
社会与信息网络
摘要
大流行（传染病）建模旨在分析疾病传播，一直是热门研究课题，尤其在 2019 年 COVID-19 暴发之后。一些代表性模型，包括基于 SIR 的深度学习预测模型，已展现出令人满意的性能。然而，它们的一个主要缺陷是长期预测能力不足。尽管图卷积网络（GCN）也表现良好，但其边表示未包含完整信息，可能导致偏差。另一缺陷是它们通常使用无法预测的输人特征。因此，这些模型无法预测更远的未来。我们提出了一种能够将预测进一步向未来传播且具备更好边表示的模型。具体而言，我们将大流行建模为时空图，其边表示感染的转移，并由我们的模型学习得到。我们采用包含 GCN 与带注意力机制的递归结构（GRU）的双流框架。我们的模型支持移动性分析，为公共卫生研究人员和政策制定者提供了一个有效工具箱，用于预测主动控制移动性的不同封锁策略如何影响大流行的传播。实验表明，我们的模型在长期预测能力上优于其他模型。此外，我们模拟了特定政策的效果并预测其对感染控制的影响。
引用
@article{arxiv.2212.02575,
title = {A Mobility-Aware Deep Learning Model for Long-Term COVID-19 Pandemic Prediction and Policy Impact Analysis},
author = {Danfeng Guo and Zijie Huang and Junheng Hao and Yizhou Sun and Wei Wang and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:2212.02575},
year = {2022}
}