集成LSTM与GNN的COVID-19预测
机器学习
2021-08-24 v1 人工智能
摘要
COVID-19的蔓延与图神经网络（GNNs）的兴起同时发生，导致若干研究提出使用它们以更好地预测大流行的演变。许多此类模型还包含长短期记忆（LSTM）网络，一种常用的时间序列预测工具。本工作中，我们通过在LSTM的门内实现GNN并利用空间信息，进一步研究这两种方法的集成。此外，我们引入一个被证明对联合捕捉数据中空间与时间模式至关重要的跳跃连接。我们在37个欧洲国家过去472天的数据上验证我们的每日COVID-19新增病例预测模型，并基于平均绝对缩放误差（MASE）显示出优于最先进的图时间序列模型的性能。该研究领域对政策制定有重要应用，我们分析了其在疫情资源控制方面的潜力。
引用
@article{arxiv.2108.10052,
title = {Integrating LSTMs and GNNs for COVID-19 Forecasting},
author = {Nathan Sesti and Juan Jose Garau-Luis and Edward Crawley and Bruce Cameron},
journal= {arXiv preprint arXiv:2108.10052},
year = {2021}
}