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

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

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

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

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

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

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

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

该研究提出了基于条件长短期记忆网络和分位数输出的预测模型 (condLSTM-Q)，该模型在不同空间 - 时间尺度下能够准确预测 COVID-19 疫情的死亡人数。该模型的精细地理尺度可以帮助州级政府协调资源，同时其可扩展性和通用性也保证了其广泛适用性。

Nov, 2020