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

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

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

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

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

本研究提出了一个基于社交意识图神经网络（SAB-GNN）的预测模型，通过考虑病征相关搜索频率的下降来捕捉公众意识在疫情多波次间的变化，以实现对疫情多次爆发进行预测，并利用日本东京地区的移动和网络搜索数据进行模型训练，结果表明该模型在预测未来疫情爆发方面优于 ST-GNN、MPNN 和 GraphLSTM 等现有模型。

Oct, 2021

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

基于电信数据的 Hawkes 模型为公共卫生决策者提供了一个可扩展的预警系统，可有效预测新冠疫情的传播趋势并优于基准方法。

Jun, 2021

新型冠状病毒变异在全球范围内的传播是 COVID-19 疫情暴发的主要驱动力之一，本研究提出了一种基于图神经网络的变种动态感知模型，能够预测不同国家特定变异株的到达时间及其传播情况，相较于统计建模和物理感知神经网络等传统方法，该模型在回顾性实验中表现出更高的准确性。

Jan, 2024

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021