基于流行病学信息的异质性感知图神经网络用于疫情预测

在各种时空预测任务中，疫情预测在公共卫生管理中发挥着关键作用。近期研究表明，时空图神经网络（STGNN）在从疫情预测中提取异质时空模式方面具有巨大潜力。然而，这些方法大多简化地假设，两个具有相似观测特征的地点（如城市）在未来发展相似的感染数。在事实上，对于任何疾病，都存在其内在演化机制在不同地理位置和时间上的强异质性，这最终会导致两个“相似”地点感染数的差异。然而，这种机制性异质性由于存在大量影响因素如医疗资源可及性、病毒突变、 mobility 模式等，大多为时空且不可获取甚至不可观测，因而难以捕获。为此，我们提出了一种称为 HeatGNN 的异质性感知传播图神经网络—a 一种新型的疫情预测框架。通过将流行病学机理模型绑定到图神经网络中，HeatGNN 学习了不同地点的基于流行病学的地点嵌入，这些嵌入反映了它们随时间的传播机制。结合基于流行病学地点嵌入计算的时变机理亲和图，我们设计了一个编码地点之间机制异质性的异质性传播图网络，以提供额外的预测信号以促进准确预测。在三个基准数据集上的实验结果表明，HeatGNN 在各种强基线方法上均表现出色。此外，我们的效率分析验证了 HeatGNN 在不同数据集大小上的实际可行性。