基于网络搜索与移动数据从社会关注度预测多波次 COVID-19 疫情
社会与信息网络
2022-06-13 v2 人工智能
摘要
COVID-19 的反复暴发对全球社会造成了持久影响，这需要使用各种可早期获取的数据来构建大流行波次的预测器。现有的利用移动数据预测首次暴发波次的模型可能不适用于多波次预测，因为美国和日本的证据表明，不同波次中的移动模式与感染病例波动之间呈现出不同的关系。因此，为预测多波次大流行，我们提出了一种基于社会关注的图神经网络（SAB-GNN），它考虑症状相关网络搜索频率的衰减以捕捉多波次中公众关注的变化。我们的模型结合 GNN 与 LSTM 来建模城市区域、区域间移动模式、网络搜索历史与未来 COVID-19 感染之间的复杂关系。我们使用雅虎日本公司在严格隐私保护规则下收集的 2020 年 4 月至 2021 年 5 月东京地区跨越四次大流行波次的移动与网络搜索数据来训练模型以预测未来疫情暴发。结果表明，我们的模型优于 ST-GNN、MPNN 和 GraphLSTM 等最先进的基线模型。尽管我们的模型计算开销不大（仅 3 层和 10 个隐藏神经元），所提出的模型能够使公共机构预见并为未来的疫情暴发做好准备。
引用
@article{arxiv.2110.11584,
title = {Multiwave COVID-19 Prediction from Social Awareness using Web Search and Mobility Data},
author = {J. Xue and T. Yabe and K. Tsubouchi and J. Ma and S. V. Ukkusuri},
journal= {arXiv preprint arXiv:2110.11584},
year = {2022}
}
备注
11 pages, 8 figures. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22), August 14-18, 2022, Washington, DC, USA