基于时空图的混合传染病模型及其在 COVID-19 中的应用
机器学习
2020-10-20 v1 机器学习
摘要
随着 COVID-19 大流行演变，可靠预测对政策制定起着重要作用。经典传染病模型 SEIR（易感-暴露-感染-康复）是一种紧凑却过于简化的时间模型。诸如 RNN（循环神经网络）等数据驱动的机器学习模型在 COVID-19 这类时间序列数据有限的情况下可能表现不佳。本文中，我们在图结构上结合 SEIR 与 RNN，开发一种混合时空模型，以在训练与预测中同时实现准确性与效率。我们在图结构上引入两种特征：节点特征（局部时间感染趋势）与边特征（地理邻域效应）。对于节点特征，我们从 SEIR 导出离散递推式（称为 I-方程），使梯度下降法可直接用于其优化。对于边特征，我们设计 RNN 模型以捕捉邻域效应，并正则化损失函数地形，使局部极小对预测有效且鲁棒。所得混合模型（称为 IeRNN）在美国州级 COVID-19 新增病例数据上的预测精度有所提升，在 1 天和 7 天提前预测中优于标准时间模型（RNN、SEIR 与 ARIMA）。我们的模型适应不同程度的重新开放，并为政策制定者提供潜在结果。
引用
@article{arxiv.2010.09077,
title = {A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19},
author = {Yunling Zheng and Zhijian Li and Jack Xin and Guofa Zhou},
journal= {arXiv preprint arXiv:2010.09077},
year = {2020}
}