基于多边注意力增强的深度神经网络用于疾病暴发预测：新冠疫情案例研究
机器学习
2024-08-28 v1
摘要
近期新冠疫情的全球影响巨大，迫切需要开发准确的预测模型来预测疫情的扩散和进程。以往的暴发预测方法因未利用多源输入信息而受限，数据稀缺导致性能 suboptimal。本研究提出了一种新方法，旨�解决传染病预测中的挑战。我们引入一种基于多边注意力增强的GRU模型，利用多源信息进行分析，从而实现对影响疫情扩散的各类因素的全面把握。通过在GRU框架中融入注意力机制，我们的模型能够有效捕捉数据中复杂的关系和时序依赖性，从而实现更好的预测性能。此外，我们构建了一个结构完善的多源数据集，供研究社区用于开展时间序列预测的实验与分析。我们在该新冠数据集上评估了所提模型，并以RMSE和MAE为指标报告输出结果。实验结果表明，所提模型在性能上优于现有技术。我们还对数据集进行了性能提升和定性分析，评估注意力机制的影响，结果显示所提模型紧随疫情趋势的变化。
引用
@article{arxiv.2408.14519,
title = {A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19},
author = {Ashutosh Anshul and Jhalak Gupta and Mohammad Zia Ur Rehman and Nagendra Kumar},
journal= {arXiv preprint arXiv:2408.14519},
year = {2024}
}