MPSTAN:基于集合种群的时空注意力网络用于疫情预测
机器学习
2023-06-23 v1 社会与信息网络
摘要
准确的疫情预测对政府制定有效防控措施以抑制疫情至关重要。现有大多数时空模型无法提供一个通用框架,以稳定且准确地预测具有多样演化趋势的疫情。将涵盖单斑块到多斑块的流行病学领域知识融入神经网络有望提升预测精度。然而,仅依赖单斑块知识忽视了斑块间相互作用,而在缺乏人口流动数据时构建多斑块知识颇具挑战。为解决上述问题,我们提出一种名为基于集合种群的时空注意力网络(MPSTAN)的新型混合模型。该模型旨在通过将多斑块流行病学知识融入时空模型并自适应定义斑块间相互作用,来提高疫情预测精度。此外,我们将斑块间流行病学知识同时融入模型构建与损失函数,以帮助模型学习疫情传播动力学。在两个具有不同流行病学演化趋势的代表性数据集上的大量实验表明,我们所提模型优于基线模型,并提供更准确稳定的短期与长期预测。我们确认了领域知识在学习模型中的有效性,并探究了不同领域知识融合方式对预测的影响。我们观察到,在模型构建与损失函数中同时使用领域知识可带来更高效的预测,且选取合适的领域知识可进一步提升精度。
引用
@article{arxiv.2306.12436,
title = {MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting},
author = {Junkai Mao and Yuexing Han and Bing Wang},
journal= {arXiv preprint arXiv:2306.12436},
year = {2023}
}