结合图神经网络与时空疾病模型预测德国 COVID-19 病例
机器学习
2021-01-05 v1 应用统计
摘要
2020 年期间，许多不同研究领域的学者研究了 COVID-19 的感染率。在此背景下，可靠且可解释的疾病发生预测是决策者管理医疗资源的重要工具。若干专家呼吁有必要考虑人类流动性以解释 COVID-19 的传播。现有方法常应用相应研究领域的标准模型。然而，这一习惯常伴随某些限制。例如，大多数统计或流行病学模型无法直接纳入非结构化数据源，包括可能编码人类流动性的关系数据。相反，机器学习方法可通过利用这些数据结构产生更好的预测，但缺乏直观可解释性，因为它们常被归类为黑箱模型。我们提出了两个研究方向之间的折衷，并给出了一种多模态学习方法，结合了统计回归与机器学习模型的优势，用于预测德国本地 COVID-19 病例。这种新方法能够使用更丰富的数据类型集合，包括流动流和共址概率，并在我们的基准研究中于整个观测期内取得了最低的 MSE 分数。结果证实了纳入流动性数据的必要性，并展示了我们方法的灵活性与可解释性。
引用
@article{arxiv.2101.00661,
title = {Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany},
author = {Cornelius Fritz and Emilio Dorigatti and David Rügamer},
journal= {arXiv preprint arXiv:2101.00661},
year = {2021}
}