[論文レビュー] Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks

Amol Kapoor, Xue Ben+5 more|arXiv (Cornell University)|Jul 6, 2020

Data-Driven Disease Surveillance参考文献 34被引用数 148

ひとこと要約

この研究はモビリティデータを用いた時空グラフニューラルネットワークを用いて、米国郡レベルのCOVID-19日次症例を予測し、RMSLEを6%削減し、ピアソン相関の絶対的な改善を小さく達成した。

ABSTRACT

In this work, we examine a novel forecasting approach for COVID-19 case prediction that uses Graph Neural Networks and mobility data. In contrast to existing time series forecasting models, the proposed approach learns from a single large-scale spatio-temporal graph, where nodes represent the region-level human mobility, spatial edges represent the human mobility based inter-region connectivity, and temporal edges represent node features through time. We evaluate this approach on the US county level COVID-19 dataset, and demonstrate that the rich spatial and temporal information leveraged by the graph neural network allows the model to learn complex dynamics. We show a 6% reduction of RMSLE and an absolute Pearson Correlation improvement from 0.9978 to 0.998 compared to the best performing baseline models. This novel source of information combined with graph based deep learning approaches can be a powerful tool to understand the spread and evolution of COVID-19. We encourage others to further develop a novel modeling paradigm for infectious disease based on GNNs and high resolution mobility data.

研究の動機と目的

• 地域間のモビリティを活用してCOVID-19症例の予測を改善する動機づけ。
• 空間的および時間的依存を捉える統一的な時空グラフフレームワークを提案する。
• 郡間の連携と移動パターンを情報源として活用するリアルタイムのモビリティデータセットを活用する。
• 従来の時系列ベースラインと比較して予測性能を評価する。

提案手法

• モビリティフローで重みづけされた空間エッジを用いた100郡の時空グラフを構築する。
• スキップ接続を強化したスペクトルグラフ畳み込みネットワークを用いて、最大で2つの空間跳びと7日間の時系列コンテキストを跨いだ情報を集約する。
• ノード特徴を、d日間の履歴からMLPを介して得られる初期時系列埋め込みH0で表現する。
• 最終結合埋め込みHsにMLPを適用して将来の症例を予測する。
• 2021年以降のデータでAdam最適化子を用いMSLE損失で訓練し、特定の訓練／テスト分割を採用する。
• ARIMA、LSTM、Seq2Seq、およびモビリティ強化バリアントを含むベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 地域間モビリティを活用した時空GNNは従来の時系列モデルよりCOVID-19日別症例予測を改善できるか。
• RQ2 モビリティデータの組み込みは米国の郡ごとの予測性能にどのような影響を与えるか。
• RQ3 モビリティ信号を含めた場合と含めない場合で、GNNベースの予測と標準ベースラインの相対的な性能はどうか。

主な発見

• GNNはRMSLEと相関の両方でベースラインを上回り、指標の中で最良または次点を占める。
• モビリティデータの組み込みは深層モデルの性能を向上させる一方、ARIMAはモビリティパターンの変化により劣化することがある。
• 最上位のGNN変種は主評価行においてRMSLEが0.0109、Corrが0.9980を達成。
• モビリティ情報を用いたSeq2SeqとLSTMはモビリティなしと比べて改善を示すが、GNNが一貫して最良の性能を示す。
• 総じて、GNNアプローチは高解像度のモビリティデータが疾病拡散ダイナミクスの学習に有用であることを示す。