PopNet：考虑数据延迟的实时群体级疾病预测
社会与信息网络
2022-02-08 v1
摘要
群体级疾病预测基于（频繁更新的）历史疾病统计，估计未来某地点特定疾病的潜在患者数量。现有方法通常假设现有疾病统计可靠且不会改变。然而在实践中，数据收集往往耗时且存在时间延迟，历史和当前疾病统计都在持续更新。本工作中，我们提出一种实时群体级疾病预测模型（PopNet），该模型捕捉数据延迟（data latency）并融合更新后的数据以改进预测。为实现这一目标，PopNet 使用两个独立系统对实时数据和更新数据进行建模，每个系统利用混合图注意力网络（hybrid graph attention networks）和循环神经网络（recurrent neural networks）捕捉空间和时间效应。PopNet 随后以端到端方式，利用空间和时间延迟感知注意力融合两个系统。我们在真实世界疾病数据集上评估 PopNet，结果表明 PopNet 始终优于所有基线疾病预测和通用时空预测模型，与最佳基线相比均方根误差最高降低 47%，平均绝对误差降低 24%。
引用
@article{arxiv.2202.03415,
title = {PopNet: Real-Time Population-Level Disease Prediction with Data Latency},
author = {Junyi Gao and Cao Xiao and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2202.03415},
year = {2022}
}