基于LSTM与GNN融合的COVID-19预测模型

整合lstm和GNN进行COVID-19预测

摘要：

COVID-19的传播与图神经网络(gnn)的兴起同时发生，有几项研究建议将两者结合，能更好地预测大流行的演变。类似应用的模型还包括长期短期记忆(LSTM)网络，这是时间序列预测的常用工具。在本工作中，我们通过在LSTM的控制门结构中实现GNN网络，利用空间信息来进一步研究这两种方法的集成。此外，我们引入了一种跳跃连接（skip connection），它被证明是联合捕获数据中的空间和时间模式的关键。我们根据37个欧洲国家过去472天的数据验证了我们的每日COVID-19新病例预测模型，与平均绝对比例误差(MASE)表现最佳的图时间序列模型进行比较，本文提出的模型的性能优越。这一研究领域对决策具有重要应用，我们分析了其在流行病资源控制方面的潜力

本文的贡献可以概括如下:
为了提高预测精度，本文提出了一种基于GNN和LSTM的时间序列预测模型。我们引入了一种通用方法，进一步整合了这两个网络，并将其应用于新冠肺炎病例预测问题。我们的具体用例包括欧洲的37个国家，数据从2020年1月到2021年5月。结果表明，我们的模型能够预测训练分布以外的新病例，比其他4个GNN+LSTM模型的预测效果更好，但存在滞后，在提前7天预测时，预测误差为10%。我们还分析了模型性能如何通过遗漏案例的比例转化为现实世界的决策。最后，我们的研究结果表明，在我们的模型中引入跳过连接（skip connection）是减少欠拟合的关键