通过新型因果时空图神经网络统一物理与数据驱动建模以实现可解释的流行病预测
摘要
准确的流行病预测对于有效的疾病控制和预防至关重要。传统的仓室模型通常难以估计随时间和空间变化的流行病学参数，而深度学习模型通常忽略疾病传播动态，并且在流行病学背景下缺乏可解释性。为了解决这些局限性，我们提出了一种新型因果时空图神经网络（CSTGNN），这是一种将时空接触 SIR 模型与图神经网络（GNN）相结合的混合框架，用于捕获流行病的时空传播。区域间的人类流动表现出连续且平滑的时空模式，导致相邻的图结构共享底层的流动动态。为了对这些动态进行建模，我们采用自适应静态连通性图来表示人类流动的稳定成分，并利用时间动态模型来捕获这些模式内的波动。通过将自适应静态连通性图与时间动态图相结合，我们构建了一个包含人类流动网络综合属性的动态图。此外，为了捕获传染病传播中的时间趋势和变化，我们引入了时间分解模型来处理时间依赖性。然后将该模型与动态图卷积网络集成以进行流行病预测。我们使用中国省级和德国州级的真实世界数据集验证了我们的模型。广泛的研究表明，我们的方法有效地建模了传染病的时空动态，为预测和干预策略提供了有价值的工具。此外，对学习到的参数的分析提供了对疾病传播机制的见解，增强了我们模型的可解释性和实际适用性。
引用
@article{arxiv.2504.05140,
title = {Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting},
author = {Shuai Han and Lukas Stelz and Thomas R. Sokolowski and Kai Zhou and Horst Stöcker},
journal= {arXiv preprint arXiv:2504.05140},
year = {2025}
}
备注
32 pages, 12 figures. Submitted to Expert Systems with Applications and currently under review. This version includes minor revisions. The work proposes a physics-informed deep learning framework integrating a novel epidemic model with causal spatiotemporal graph neural networks for interpretable forecasting