利用图神经网络和 mobility 数据进行新冠肺炎预测
机器学习
2026-04-21 v3 社会与信息网络
摘要
新冠肺炎疫情夺走了数百万条生命，催生了多样化的预测模型。就复杂时空架构与简单时序基线的实际效用而言，争论仍在进行。本文表明，输入图的结构稀疏化和时间粒度是图神经网络(GNN)有效性的决定性因素。通过利用巴西和中国的人类 mobility 网络，我们解决了一个文献中存在的矛盾情景：尽管标准LSTM足以处理平滑、单调的累积趋势，但GNN在预测波动的每日病例数时显著优于基线。我们表明，backbone 提取显著增强了预测稳定性并降低预测误差，通过消除可忽略的连接实现。这表明，纳入空间依赖性对于建模复杂动力学至关重要。具体而言，GCRN和GCLSTM等GNN架构在巴西和中国的数据集上对每日病例预测优于LSTM基线(Nemenyi检验,p<0.05)。最后，我们将问题定义为二元分类任务，以更好地分析上下文大小与预测时域之间的依赖关系。
引用
@article{arxiv.2501.11711,
title = {Leveraging graph neural networks and mobility data for COVID-19 forecasting},
author = {Fernando H. O. Duarte and Gladston J. P. Moreira and Eduardo J. S. Luz and Leonardo B. L. Santos and Vander L. S. Freitas},
journal= {arXiv preprint arXiv:2501.11711},
year = {2026}
}