用于揭示 COVID-19 传播轨迹原型的属性网络嵌入模型
机器学习
2022-09-22 v2 计算机与社会
社会与信息网络
摘要
COVID-19 的传播揭示出，不同城市和社区的传播风险模式并非同质，且多种异构特征会影响传播轨迹。因此，对于预测性疫情监测而言，探索城市和社区中区分其特定疫情传播轨迹的潜在异构特征至关重要。为此，本研究构建了一个网络嵌入模型，捕捉跨县出行网络以及异构特征，以基于美国的疫情传播轨迹揭示县的聚类。我们收集并计算了 2020 年 3 月 3 日至 6 月 29 日（初始波）期间 2787 个县的区位情报特征。其次，我们构建了人类出行网络，将县特征作为节点属性，县间出行作为网络边。我们的属性网络嵌入方法同时整合了跨县出行网络的类型学特征与异构特征。我们对属性网络嵌入进行了聚类分析，揭示了对应于四个县聚类的四种传播风险轨迹原型。随后，我们识别出四个特征作为这些原型间差异化传播风险模式的重要基础特征。该属性网络嵌入方法与发现识别并解释了跨县的非同质疫情风险轨迹，可用于预测性疫情监测。本研究亦有助于基于数据驱动和深度学习的方法用于疫情分析，以补充标准流行病学模型用于疫情中的政策分析。
引用
@article{arxiv.2209.09448,
title = {Attributed Network Embedding Model for Exposing COVID-19 Spread Trajectory Archetypes},
author = {Junwei Ma and Bo Li and Qingchun Li and Chao Fan and Ali Mostafavi},
journal= {arXiv preprint arXiv:2209.09448},
year = {2022}
}