在 LSTM 中集成时空特征用于空间信息新冠肺炎住院预测
机器学习
2025-07-17 v2 人工智能
摘要
新冠肺炎疫情的严重冲击凸显了对准确及时住院预测的需求，以支持有效的医疗规划。然而，大多数预测模型在变异株激增期尤其难以应对，这时恰恰最需要它们。本研究引入一种新型平行流 LSTM 框架，用于预测美国各州每日新增住院人数。我们的框架将融合来自 Meta 的社交连通性指数(Social Proximity to Hospitalizations, SPH) 的时空特征，以提高预测准确度。SPH 作为州际人口互动的代理，捕捉跨时空的传播动力学。我们的体系结构捕获了短期和长期的时序依赖性，并采用多时段集成策略平衡预测的一致性和误差。对在 Delta 和 Omicron 变异株激增期间对新冠肺炎预测汇编模型的评估显示，我们的模型优于该集成模型。在 Omicron 变异株激增期间，我们的模型在7、14、21和28天的预测时段分别平均优于该集成模型48、27、54和69例住院人数。数据消除实验确认了 SPH 的预测能力，突显了其在提高预测模型效果方面的作用。这一研究不仅推动了住院预测的发展，也凸显了时空特征（如 SPH）在建模传染病传播复杂动力学中的重要性。
引用
@article{arxiv.2506.05752,
title = {Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting},
author = {Zhongying Wang and Thoai D. Ngo and Hamidreza Zoraghein and Benjamin Lucas and Morteza Karimzadeh},
journal= {arXiv preprint arXiv:2506.05752},
year = {2025}
}
备注
36 pages, 12 figures. This is the accepted version of the article published in International Journal of Geographical Information Science. DOI will be added upon publication