CASTNet：用于阿片类药物过量预测的社区注意力时空网络

阿片类药物过量在美国是一项日益严重的公共卫生危机。这一被称为“阿片类药物流行”的危机带来了广泛的社会后果，包括健康恶化以及犯罪率和家庭问题的增加。为改善过量监测并识别需要预防干预的地区，本文聚焦于利用实时犯罪动态预测阿片类药物过量。已有研究确认了阿片类药物使用与犯罪活动之间的各类联系，如经济动机与共同成因。受这些观察启发，我们提出一种新颖的时空预测模型，通过利用犯罪事件的时空模式来预测阿片类药物过量。我们所提模型融合多头注意力网络以学习特征的不同表示子空间。这种被称为“社区注意力”的深度学习架构，使得给定位置的预测可由区域群体（即社区）的混合来优化。此外，我们的模型可解释来自哪些社区、哪些特征对预测本地事件贡献更大，以及这些社区如何通过预测被捕捉。在两个真实世界过量数据集上的结果表明，我们的模型取得了优越的预测性能，并就犯罪动态与阿片类药物过量动态之间的时空关系提供了有意义的解读。