基于时空注意力机制的新冠疫情预测模型

作者：鲍昕; 谭智一; 鲍秉坤; 徐常胜

来源：北京航空航天大学学报, 2021, 1-11.

DOI：10.13700/j.bh.1001-5965.2021.0535

• 新冠疫情预测
• 注意力网络
• 时空序列预测
• 长短期记忆网络
• 自编码器

新冠疫情的持续蔓延给人类生活和社会经济带来了严重的影响，准确预测各地区的疫情趋势对防控疫情而言至关重要。现有研究主要基于经典的时间序列预测模型和传染病模型，鲜有考虑疫情在传播过程中呈现出的地区关联复杂和时序依赖性强的特点，限制了其疫情预测的性能。为此，针对新冠疫情的预测任务，提出了一种时空注意力驱动的自编码器框架，一方面通过引入空间注意力机制捕捉疫情感染序列间的动态空间关联性，另一方面利用时间注意力机制挖掘疫情序列中复杂的时序依赖性，以此实现对不同地区的新冠病毒传播趋势的准确预测。具体来说，在模型的编码器端，通过融合了空间注意力机制的LSTM网络，关联目标地区与其他地区的疫情序列，并从中提取该区域近期疫情的时序特征。在模型的解码器端，将时间注意力机制引入基于LSTM网络的解码器中，通过捕捉疫情序列的时序依赖性推测未来的疫情变化。在多个公开的新冠疫情数据集上对模型进行了验证，实验结果表明，所提出的预测模型在新冠疫情的预测性能上超越了其它同类模型，在公开的欧洲新冠疫情数据集上的预测误差指标RMSE和MAE上分别降低了21.7%和24.5%，在中国新冠疫情数据集上的RMSE和MAE上分别降低了22.6%和26.7%。

• 单位
  模式识别国家重点实验室; 南京邮电大学; 中国科学院自动化研究所