STAN:基于实际证据的时空关注网络用于疫情预测
本文提出了一种新型的混合模型 —— 基于母体群体的时空注意力网络(MPSTAN),通过将多点流行病学知识与时空模型相结合并自适应定义不同点之间的相互作用来提高流行病预测的准确性。在两个代表不同流行病学演化趋势的数据集上的广泛实验表明,我们提出的模型优于基线并提供更准确和稳定的短期和长期预测。
Jun, 2023
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
本论文提出了一种基于张量方法(STELAR)的模型,旨在准确预测 COVID-19 等流行病在多个区域的演化趋势,训练模型使用 3D 张量,经过实验证明,该模型能够在县级和州级预测中对该病毒的传播情况实现准确预测。
Dec, 2020
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 Spatio-Temporal Attention Network (STAN) 的地点推荐方法,利用自注意层解决了现有模型中非相邻地点和非连续拜访贡献的问题,并通过可视化证明其比现有最先进的方法表现更好,可以更好地根据用户轨迹进行个性化的地点推荐
Feb, 2021
本文旨在探讨是否可以用直接的数据驱动方法有效地预测 COVID-19 病例数量,利用新型机器学习方法 Attention Crossing Time Series(ACTS)成功地在预测新冠病毒感染病例中胜出 18 项测试中的 13 项,表现出比传统的基于隔离 (如 SIR 和 SEIR) 的传染病传播模型更为优异的结果。
Oct, 2020
本文提出了一种时空相关性关注网络模型(TSCAN),通过设计的注意力机制模型,可以有效地从临床数据和时间中提取关键的临床指标,从而达到更精确的预测结果,同时还可以用于改善治疗方法。
Jun, 2023
本文提出了一种新的方法,利用来自各种信息源的新实时信号(例如基于社交媒体的人口密度地图和空气质量数据)来预测流行病学参数,使用多个卷积神经网络(CNN)模型的集合,并使用各种数据源和融合方法来构建稳健的预测,在伦敦的 COVID-19 爆发预测中,气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性,并通过数据同化估计了我们系统的状态,从而提高了我们的模型的稳定性和准确性。
Jul, 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
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