元种群图神经网络：融合人口流动的深度元种群传染病建模
计算机与社会
2023-06-28 v2
摘要
疫情预测是传染病控制与预防的一项基础任务。许多机理模型与深度学习模型被构建用于此任务。然而，多数机理模型难以估计随时间/地区变化的流行病学参数，而多数深度学习模型缺乏流行病学领域知识的指导且预测结果不可解释。在本研究中，我们提出一种称为 MepoGNN 的新型混合模型，通过将图神经网络（GNNs）与图学习机制融入元种群 SIR 模型，用于多步多地区疫情预测。我们的模型不仅能预测确诊人数，还能以端到端方式从异构数据中显式学习流行病学参数及潜在的疫情传播图。我们收集并处理了日本的多源疫情相关数据与流动数据以构建实验数据集。实验结果表明，我们的模型大幅优于现有的机理模型与深度学习模型。此外，对所学参数的分析显示了模型的高可靠性与可解释性，并有助于更好地理解疫情传播。另外，提出了一种流动数据生成方法以解决流动数据不可得的问题，实验结果表明所生成的流动数据作为我们模型输入的有效性。
引用
@article{arxiv.2306.14857,
title = {Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility},
author = {Qi Cao and Renhe Jiang and Chuang Yang and Zipei Fan and Xuan Song and Ryosuke Shibasaki},
journal= {arXiv preprint arXiv:2306.14857},
year = {2023}
}
备注
This is the extended version of an ECMLPKDD2022 paper