DeepCOVIDNet：一种利用异质特征及其交互作用对COVID-19进行预测性监测的可解释深度学习模型
计算机与社会
2020-08-04 v1 机器学习
摘要
本文提出一种深度学习模型，用于预测未来数日COVID-19感染病例的增长区间，并给出一种计算多变量时间序列与多变量空间时间序列数据等维表示的新方法。利用该新方法，所提模型既能纳入大量异质特征（如人口普查数据、县内移动、县间移动、社交距离数据、既往感染增长等），又能学习这些特征间的复杂交互。利用从多源收集的数据，我们估算了未来七天全美各县感染病例的增长区间。此外，我们使用该模型识别对感染增长预测最具影响力的特征，并分析特征对及估计其间观测到的二阶交互量。实验表明，所提模型获得令人满意的预测性能与较可解释的特征分析结果；因此，该模型可补充诸如COVID-19等大流行的国家级标准流行病学监测模型。深度学习模型所得结果与发现或有助于政策制定者与研究人员制定有效的缓解与响应策略。为加速进一步开发与实验，实现所提模型的代码已完全开源。
引用
@article{arxiv.2008.00115,
title = {DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions},
author = {Ankit Ramchandani and Chao Fan and Ali Mostafavi},
journal= {arXiv preprint arXiv:2008.00115},
year = {2020}
}
备注
16 pages, 7 figures, 2 tables