使用时空图神经网络检验 COVID-19 预测
机器学习
2020-07-08 v1 社会与信息网络
摘要
在这项工作中，我们检验了一种用于 COVID-19 病例预测的基于图神经网络与移动数据的新型预测方法。与现有时间序列预测模型不同，所提方法从单一大规模时空图学习，其中节点表示区域级人类移动性，空间边表示基于人类移动性的区域间连通性，时间边表示随时间的节点特征。我们在美国县级 COVID-19 数据集上评估该方法，并证明图神经网络所利用的丰富空间与时间信息使模型能够学习复杂动态。我们展示了相比最佳基线模型，RMSLE 降低 6%，绝对皮尔逊相关系数从 0.9978 提升至 0.998。这一新颖信息源结合基于图的深度学习方法，可成为理解 COVID-19 传播与演化的有力工具。我们鼓励他人基于 GNN 与高分辨率移动数据进一步开发传染病建模新范式。
引用
@article{arxiv.2007.03113,
title = {Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks},
author = {Amol Kapoor and Xue Ben and Luyang Liu and Bryan Perozzi and Matt Barnes and Martin Blais and Shawn O'Banion},
journal= {arXiv preprint arXiv:2007.03113},
year = {2020}
}