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

通过融合时间图神经网络和多模态数据，我们提出了一种名为 MGL4MEP 的新型框架，用于学习和预测流行病，通过利用特定的预训练语言模型和发现用户之间的潜在图结构，将大数据源（包括社交媒体内容）整合到流行病动态学习中，从而提供丰富的流行病动态指标。广泛的实验证明了我们框架在流行病预测和分析方面的有效性，相对于基准方法，在不同领域、流行病情况和预测时段上表现出色。时间图学习和多模态数据的融合使我们能够以更少的时间滞后、更便宜的成本和更多的潜在信息指标全面了解流行病景观。

Oct, 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

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

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

COVID-19 流行疫情给社会稳定带来了巨大的破坏，威胁人类生命和经济。为了减少 COVID-19 的不良影响，决策者和社会各个方面必须根据疫情的严重性采取可衡量的行动。然而，为不同城市或地区制定一个良好的感染风险预测模型并不容易，因为有很多难以手动识别的影响因素。为了解决当前的局限性，我们提出了一种称为 PANDORA 的深度图学习模型，通过考虑所有必要因素并将它们整合到地理网络中来预测 COVID-19 的感染风险。该框架利用地理位置关系和交通频率作为由高阶网络结构（即网络动机）构成的高阶结构属性。此外，还考虑了四个显著的节点属性（即特定区域的多个特征，包括气候、医疗状况、经济和人员流动性）。我们提出了三种不同的聚合器来更好地聚合节点属性和结构特征，分别是 Hadamard、Summation 和 Connection。真实数据上的实验结果显示，无论选择哪种聚合器，PANDORA 都能以更高的准确性和更快的收敛速度优于基线方法。我们相信，使用深度图学习的 PANDORA 模型可以提供一种有前景的方法，用于预测感染风险水平，并帮助人类应对 COVID-19 危机。

Jun, 2024

本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

Mar, 2020