基于深度扩散并融合网络级移动信息的 COVID-19 预测
机器学习
2021-11-10 v1
摘要
对传染病传播的时空特性进行建模，有助于直观理解疾病传播随时间变化的特征以及人群移动模式中观察到的复杂空间依赖关系。此外，县级多条相关时间序列信息可被用于对各单独时间序列进行预测。更添挑战的是，实时数据常偏离单模态高斯分布假设，并可能呈现某些复杂的混合模式。受此启发，我们提出了一种用于概率预测的基于深度学习的时序模型，称为自回归混合密度动态扩散网络（Auto-regressive Mixed Density Dynamic Diffusion Network, ARM3Dnet），该模型将人群移动与疾病传播均视为动态有向图上的扩散过程。模型采用高斯混合模型层以考虑实时数据的多模态特性，同时从多条相关时间序列中学习。我们表明，当以动态协变量特征与混合成分的最佳组合进行训练时，我们的模型在预测美国县级 COVID-19 死亡与确诊病例数方面，优于传统统计模型与深度学习模型。
引用
@article{arxiv.2111.05199,
title = {Deep diffusion-based forecasting of COVID-19 by incorporating network-level mobility information},
author = {Padmaksha Roy and Shailik Sarkar and Subhodip Biswas and Fanglan Chen and Zhiqian Chen and Naren Ramakrishnan and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2111.05199},
year = {2021}
}
备注
8 pages