面向流行病学预测的多序列间与序列内嵌入融合网络
机器学习
2022-08-25 v1 人工智能
定量方法
摘要
对传染性流行病的准确预测是有效管控一个地区疫情的关键。现有多数方法忽略了区域间潜在的动态依赖关系，或忽略了时间依赖关系与区域间相互依赖关系对预测的重要性。本文提出一种多序列间与序列内嵌入融合网络（SEFNet）以提升疫情预测性能。SEFNet由两个并行模块组成，分别称为序列间嵌入模块与序列内嵌入模块。在序列间嵌入模块中，提出一种称为区域感知卷积的多尺度统一卷积组件，其与自注意力机制协作以捕获从多个区域获得的时间序列之间的动态依赖关系。序列内嵌入模块使用长短期记忆网络（LSTM）捕获各时间序列内部的时间关系。随后，我们学习两种嵌入的影响程度，并以参数矩阵融合方法将其融合。为进一步提升鲁棒性，SEFNet还并行集成了一个传统自回归组件与非线性神经网络。在四个真实世界疫情相关数据集上的实验表明，SEFNet有效且优于最先进的基线方法。
引用
@article{arxiv.2208.11515,
title = {Inter- and Intra-Series Embeddings Fusion Network for Epidemiological Forecasting},
author = {Feng Xie and Zhong Zhang and Xuechen Zhao and Bin Zhou and Yusong Tan},
journal= {arXiv preprint arXiv:2208.11515},
year = {2022}
}
备注
6 pages, 5 figures, SEKE2022