MSGNN:用于疫情预测的多尺度时空图神经网络
机器学习
2024-05-28 v1 人工智能
物理与社会
种群与进化
摘要
传染病预测一直是关键焦点,并被证明在控制疫情中至关重要。近期趋势是基于图神经网络(GNNs)开发预测模型。然而,现有基于GNN的方法存在两个关键局限:(1)当前模型通过增加GNN深度来拓宽感受野,不足以保留远距离但有疫情关联区域间的长程连通语义。(2)先前方法在单一空间尺度下建模疫情,忽略了源自不同尺度的多尺度疫情模式。为弥补这些不足,我们基于一种创新的多尺度视角设计了多尺度时空图神经网络(MSGNN)。具体而言,在提出的MSGNN模型中,我们首先设计了一个新颖的图学习模块,其直接从跨区域疫情信号中捕获长程连通性并将其整合进一个多尺度图。基于学到的多尺度图,我们利用新设计的图卷积模块来挖掘多尺度疫情模式。该模块使我们能够通过挖掘尺度共享与尺度特有模式来促进多尺度疫情建模。在美国COVID-19新增病例预测上的实验结果证明了我们的方法优于现有最优方法。进一步的分析与可视化也表明,MSGNN不仅提供准确的,而且提供鲁棒且可解释的预测结果。
引用
@article{arxiv.2308.15840,
title = {MSGNN: Multi-scale Spatio-temporal Graph Neural Network for Epidemic Forecasting},
author = {Mingjie Qiu and Zhiyi Tan and Bing-kun Bao},
journal= {arXiv preprint arXiv:2308.15840},
year = {2024}
}
备注
29 pages