用于COVID-19预测的空间-时间同步图Transformer网络(STSGT)
机器学习
2022-11-02 v1
摘要
过去几年中，COVID-19已成为严重关切的问题。它已对全球无数人产生不利影响，并导致数十亿美元商业资本损失。本文提出一种新颖的空间-时间同步图Transformer网络(STSGT)，以捕捉COVID-19时间序列数据的复杂空间与时间依赖性，并预测不断演变的疫情的未来状态。STSGT的层将图卷积网络(GCN)与transformers的自注意力机制在同步空间-时间图上结合，以捕捉COVID时间序列的动态变化模式。空间-时间同步图同时捕捉给定及后续时间步上图顶点间的空间与时间依赖性，有助于捕捉时间序列中的异质性并提升预测精度。我们在两个公开可用的真实世界COVID-19时间序列数据集上的大量实验表明，STSGT显著优于为空间-时间预测任务设计的SOTA算法。具体而言，在12天预测期上的平均结果中，在预测美国50个州及华盛顿特区的每日感染与死亡病例时，我们观察到相比次优算法在平均绝对误差(MAE)上分别有12.19%和3.42%的潜在提升。此外，在州级（如密歇根州所有县）预测每日感染病例时，STSGT也优于其他模型。代码与模型公开于 https://github.com/soumbane/STSGT。
引用
@article{arxiv.2211.00082,
title = {Spatial-Temporal Synchronous Graph Transformer network (STSGT) for COVID-19 forecasting},
author = {Soumyanil Banerjee and Ming Dong and Weisong Shi},
journal= {arXiv preprint arXiv:2211.00082},
year = {2022}
}
备注
11 pages, 8 figures, 5 tables, accepted for CHASE 2022 conference and Smart Health journal