图形消息传递与跨位置关注，用于长期 ILI 预测

Dec, 2019

图形消息传递与跨位置关注，用于长期 ILI 预测

Graph Message Passing with Cross-location Attentions for Long-term ILI Prediction

Songgaojun Deng, Shusen Wang, Huzefa Rangwala, Lijing Wang, Yue Ning

TL;DR本篇论文提出了基于跨地区关注机制的图神经网络来学习时序嵌入和位置感知关注，以及将图消息传递框架与关注矩阵相结合建模疾病传播，经真实世界的流行病相关数据集的比较，本文所提出的方法表现出强大的预测性能和长期疫情预测的可解释性结果。

Abstract

Forecasting influenza-like illness (ILI) is of prime importance to epidemiologists and health-care providers. Early prediction of epidemic outbreaks plays a pivotal role in disease intervention and control. Most existing work has either limited long-term prediction performance or lacks

influenza-like illness disease forecasting models graph neural network epidemic prevention predictive performance

发现论文，激发创造

一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

Dec, 2022

将 LSTMs 和 GNNs 集成用于 COVID-19 预测

本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。

Jul, 2021

结合搜索、社交媒体和传统数据来源来改进流感监测

本研究使用机器学习方法，结合多种数据源包括谷歌搜索、社交媒体数据和卫生部门数据等，提供实时和预测性的美国流感活动估计。通过将每个数据源产生的流感样病例（ILI）活动情况独立生成的多个估计值结合起来，使用机器学习集成方法生成准确的每周 ILI 预测，为 CDC ILI 报告发布前的四周提供预测。结果证明，将不同数据源（包括社交媒体和众包数据）纳入流感预测可以获得极大的洞见。

Aug, 2015

使用时空图神经网络检查 COVID-19 预测

本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

Jul, 2020

用于疫情预测的转移图神经网络

本文研究人口流动对 COVID-19 传播的影响，并利用图形表示学习领域的最新进展来捕捉其潜在动态。我们创建了一张图表，其中节点对应于一个国家的地区，边缘权重表示从一个区域到另一个区域的人类流动。我们使用图神经网络来预测未来案例的数量，并通过异步爆发和元学习的方法，将一个国家的模型的知识转移到另一个国家的模型上。实验结果证明了我们方法的优越性。

Sep, 2020

深度 Transformer 模型用于时间序列预测：以流感流行为例

使用基于 Transformer 的机器学习模型，利用自我关注机制从时间序列数据中学习复杂模式和动态，可以准确预测流感样疾病 (ILI) 等时间序列数据，并已超越当前领先的方法。

Jan, 2020

利用图神经网络探索空间传播进行地区疫情预测

提出了一种基于图神经网络的流行病预测模型 EpiGNN，该模型通过传播风险编码、区域感知图学习器和外部资源融合等操作，能够更好地探索流行病的时空依赖关系，提高预测效果。在 5 个真实流行病数据集上的实验结果表明，EpiGNN 模型的 RMSE 表现比现有模型均有 9.48% 的提高。

Aug, 2022

利用时空图神经网络预测 COVID-19 疫情：新西兰研究

本文提出一种名为 ATMGNN 的深度学习结构，该结构能够结合地理数据和 COVID-19 病例的时间序列数据来预测大流行病的未来动态，并通过学习聚类算法以数据驱动的方式捕获空间图的多尺度结构。作者在新西兰收集和组织了一个新的数据集，并将社会经济横截面数据纳入模型进行了预测，取得了比其他基线更好的预测结果，该研究为实时预测和全球范围的研究提供了一些启示。

May, 2023

使用图表示学习预测患者结果

该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

Jan, 2021

MSGNN: 多尺度时空图神经网络用于流行病预测

基于多尺度时空图神经网络（MSGNN），利用传输区域疫情信号并将其整合到多尺度的图形中，通过新设计的图卷积模块挖掘多尺度的疫情模式，实现了新冠肺炎在美国新增病例的准确预测，该方法优于现有技术，并提供了稳定和可解释的预测结果。

Aug, 2023