在图形神经网络中集成封闭的循环单元以改善传染病预测:一项尝试

科学领域:

• 流行病学 流行病学
• 数据科学数据科学数据科学
• 网络科学 网络科学

背景情况:

• 准确预测流行病时间序列对于公共卫生监测和预警系统至关重要.
• 传统的方法往往难以捕捉疾病传播中的复杂的时空依赖性.
• 图形神经网络 (GNN) 为建模关系数据提供了一个框架,但整合时间动态仍然是一个挑战.

研究的目的:

• 开发和验证一种新的混合模型,GRGNN (Gated Recurrent Unit-Graph Neural Network),用于增强流行病时间序列预测.
• 通过使用现实世界流行病学数据集,评估GRGNN与已建立的预测方法的性能.
• 调查模型在不同预测地平线和地理区域的稳定性.

主要方法:

• GRGNN模型集成在图形神经网络 (GNN) 架构中的门式循环单位 (GRU),用于多变量时间序列预测.
• 图形里叶变换 (GFT) 和离散里叶变换 (DFT) 分别用于捕捉光谱和频率领域的序列间相关性和时间节点相关性.
• 预测包括频域分析 (1D卷积,封闭线性回归),光谱域分析 (图形卷积) 和时间域分析 (GRU),其次是反向转换和一个完全连接的层.

主要成果:

• 在COVID-19 (非洲,欧洲) 和水 (匈牙利) 数据集上,GRGNN始终优于七种常用的预测方法.
• 该模型表现出卓越的准确性,通过较低的平均根平均平方误差 (ARMSE) 和平均平均绝对误差 (AMAE) 在各种预测步骤长度中证明了这一点.
• 即使在延长预测步骤中也保持了最佳预测结果,这表明GRGNN的稳定性.

结论:

• GRGNN模型对准确的流行病时间序列预测非常有效,显示出公共卫生监测和早期预警系统的巨大潜力.
• 将GRU集成到GNN中,加上光谱和频域转换,提高了该模型捕捉复杂流行病动态的能力.
• 建议进行进一步的研究,以完善GRGNN的应用,并探索其在流行病学预测中的全部潜力.