Jun, 2023

MPSTAN：基于族群分布的时空关注网络用于流行病预测

PDF
TL;DR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。
epidemic forecastingspatio-temporal modelsneural networksdomain knowledgemetapopulation-based spatio-temporal attention network
发现论文，激发创造
  • STAN：基于实际证据的时空关注网络用于疫情预测

    本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

    Jul, 2020

  • 利用图神经网络探索空间传播进行地区疫情预测

    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

  • 基于骨干的动态图空时网络用于疫情预测

    提出一种名为 BDGSTN 的新模型，通过生成骨干网络和动态图来预测流行病数据，使用线性模型和动态图卷积来处理时间依赖关系，实验证明该模型在准确预测流行病方面优于其他基准模型。

    Dec, 2023

  • MLPST: MLP 适用于时空预测的全部需求

    交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。

    Sep, 2023

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • 多模图学习应用于大数据下新兴疫情建模

    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

  • 一种基于实时信号和数据同化的流行病预测参数预测新方法

    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

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • MSGNN: 多尺度时空图神经网络用于流行病预测

    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

  • 推断城市内疫情的次群体传播网络用于流行病控制与预防

    本研究提出了一种基于 metapopulation 的两步方法来预测疾病传播，第一步使用 D^2PRI 网络推理模型来推理出潜在的传染病感染网络，第二步使用扩展的 SIR 模型进行传播预测和爆发模拟，证明该方法在网络推理、感染预测和爆发模拟方面表现出优越性。

    Jun, 2018