17、图神经网络在疫情预测与可解释性方面的应用

图神经网络在疫情预测与可解释性方面的应用

1. 疫情预测相关模型

在疫情预测领域，我们先了解到EvolveGCN - O模型在某些任务中的表现。该模型平均均方误差（MSE）为0.7524，使用GRU或LSTM网络对预测结果影响不大。这是因为节点特征中包含的过去访问次数（EvolveGCN - H）和页面之间的连接（EvolveGCN - O）都至关重要，所以这种图神经网络（GNN）架构特别适合流量预测任务。

接下来，我们将重点放在使用MPNN - LSTM架构进行COVID - 19病例预测上。我们使用的是英格兰COVID数据集，这是一个由Panagopoulos等人在2021年引入的带有时间信息的动态图。该数据集表示2020年3月3日至5月12日期间英格兰129个NUTS 3地区报告的COVID - 19病例数，数据来自安装了Facebook应用并共享位置历史的手机。我们的目标是预测每个节点（地区）未来1天的病例数。

这个数据集将英格兰表示为图$G=(V, E)$，由于其时间特性，它由对应研究期间每一天的多个图$G^{(1)}, \ldots, G^{(T)}$组成。在这些图中，节点特征对应于该地区过去$k$天中每天的病例数，边是单向且带权重的，边$(i, j)$的权重$w_{ij}^{(t)}$表示在时间$t$从地区$i$移动到地区$j$的人数，图中还包含对应于同一地区内人员移动的自环。

MPNN - LSTM架构介绍

MPNN - LSTM架构结合了消息传递神经网络（MPNN）和长短期记忆网络（LSTM）。输入的节点特征以及对应的边索引和权重被输入到一个图卷积网络（GCN）层，对该输出应用批量归一化层和丢弃层，然后对第一次MPNN