用于COVID-19预测的序列间注意力模型
机器学习
2021-04-07 v2 机器学习
摘要
自2020年初以来，COVID-19大流行对全球产生了前所未有的影响。在此次公共卫生危机中，疾病的可靠预测对资源调配与行政规划至关重要。诸如SIR与SEIR等仓室模型的结果被CDC及新闻媒体广泛引用。随着可用的COVID-19数据日益增多，我们探究如下问题：不建模疾病传播动力学、直接由数据驱动的方法，能否优于被广泛引用的仓室模型及其变体？本文展示了这种可能性。我们观察到，随着COVID-19在不同地理区域以不同速度与规模蔓延，这些区域在不同时期内极有可能共享相似的演进模式。这一直觉促使我们开发了一种新的神经预测模型，称为跨时间序列注意力(Attention Crossing Time Series, ACTS)，其通过比较多区域所得时间序列间的模式进行预测。最初为自然语言处理开发的注意力机制可被借鉴并推广以实现该思路。在包含新增确诊、住院与死亡预测的18项测试中，ACTS在13项上优于CDC重点推介的所有领先COVID-19预测模型。
引用
@article{arxiv.2010.13006,
title = {Inter-Series Attention Model for COVID-19 Forecasting},
author = {Xiaoyong Jin and Yu-Xiang Wang and Xifeng Yan},
journal= {arXiv preprint arXiv:2010.13006},
year = {2021}
}
备注
Accepted by SDM 2021