COVID-19预测的跨时间序列关注模型
本研究通过对意大利 COVID-19 疫情疫情的 Twitter 数据进行学习,并使用跨语言迁移学习模型对多个国家的疫情进行预测,结果显示在跨国预测中有高达 0.85 的斯皮尔曼相关性。
Jun, 2020
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
本文提出了一种将机器学习技术融入到疾病隔室建模中,以预测COVID-19发展的新方法,并展示了其在美国州和县级别的应用。结果表明,我们的模型提供了更准确的预测和有意义的解释,具有可解释性和信任度。
Aug, 2020
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
利用 Covid-19 的数据集,使用预测性分析来评估更复杂的预测模型的效能潜力,包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果,它与 Exponential Smoothing、机器学习模型和LSTM等进行了比较,并且LSTM表现出了最佳的效果。该研究对美国和俄罗斯进行了评估,并使用 MAPE 指标进行评估。
Jul, 2022
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
该论文提出了一种结合流行病学方程和深度学习的方法来模拟COVID-19疾病传播情况,结果表明,这种方法在五个国家和地区具有良好的预测能力和可视化表现。
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
应用了混合卷积神经网络(CNN)-长短期记忆(LSTM)模型,通过公共领域数据来源于香港的医院管理局、卫生署和房屋管理局,研究急诊科(ED)的等候时间超过四个小时(ED候诊)与患者结果和卫生系统表现之间的关联。同时,通过深度迁移学习方法,寻找最显著扰乱复杂适应性医疗系统的COVID-19流行阶段,揭示其组成部分之间稳定的相互关系模式。本研究的结果表明:1)ED候诊最多的是第四和第五波之间的天数;2)最佳预测ED候诊的模型观察到在第四和第五波之间,该模型基于代表时间不变的住宅建筑环境和社会人口特征,以及ED候诊和病例数的历史时间序列,与其他波次的预测最佳模型仅基于时间序列特征相比表现更好;3)当将第四和第五波之间构建的模型应用于其他波次的数据时,通过深度迁移学习,转移模型提高了本土模型的性能。
Mar, 2024
本研究解决了传统疫情预测方法在数据源利用有限和性能不佳方面的挑战。我们提出了一种多边注意力增强的GRU模型,利用多个信息来源,能够全面分析影响疫情传播的因素,显著提高预测性能。实验结果显示,该模型在COVID-19数据集上表现优于现有方法,具有重要的实用价值。
Aug, 2024