基于跨地点注意力的图消息传递用于长期流感样疾病预测
机器学习
2020-01-01 v2 社会与信息网络
机器学习
摘要
预测流感样疾病（ILI）对流行病学家和医疗保健提供者至关重要。对疫情暴发的早期预测在疾病干预和控制中起着关键作用。大多数现有工作要么长期预测性能有限，要么缺乏捕捉数据中时空依赖关系的综合能力。准确且早期的疾病的预测模型将显著改善疫情防控与疫情暴发的应对管理。在本文中，我们设计了一种基于跨地点注意力的图神经网络（Cola-GNN），用于学习时间序列嵌入和位置感知注意力。我们提出了一种图消息传递框架，将学习到的特征嵌入与注意力矩阵结合，以建模疾病随时间的传播。我们在来自美国和日本的真实世界疫情相关数据集上，将所提方法与最先进的统计方法和深度学习模型进行比较。所提方法展现出强劲的预测性能，并为长期疫情预测提供了可解释的结果。
引用
@article{arxiv.1912.10202,
title = {Graph Message Passing with Cross-location Attentions for Long-term ILI Prediction},
author = {Songgaojun Deng and Shusen Wang and Huzefa Rangwala and Lijing Wang and Yue Ning},
journal= {arXiv preprint arXiv:1912.10202},
year = {2020}
}
备注
17 pages, 22 figures, 5 tables