[论文解读] DeepGLEAM: A hybrid mechanistic and deep learning model for COVID-19 forecasting

Dongxia Wu, Liyao Gao+5 more|arXiv (Cornell University)|Feb 12, 2021

Machine Learning in Healthcare参考文献 42被引用 19

一句话总结

DeepGLEAM 是一种混合模型，通过使用扩散卷积循环神经网络（DCRNN）的深度学习校正模块，增强了机制性 GLEAM 疫情模拟器，显著提升了短期 COVID-19 死亡率预测性能。该模型在点预测和不确定性量化方面优于独立的 GLEAM 模型、深度学习模型以及向量自回归模型，其中 SG-MCMC 在 RMSE 和 MAE 方面表现最佳，同时提供了可靠的置信区间。

ABSTRACT

We introduce DeepGLEAM, a hybrid model for COVID-19 forecasting. DeepGLEAM combines a mechanistic stochastic simulation model GLEAM with deep learning. It uses deep learning to learn the correction terms from GLEAM, which leads to improved performance. We further integrate various uncertainty quantification methods to generate confidence intervals. We demonstrate DeepGLEAM on real-world COVID-19 mortality forecasting tasks.

研究动机与目标

• 为解决纯数据驱动的深度学习模型在疫情预测中的局限性，这些模型缺乏可解释性和物理一致性。
• 通过利用深度学习从观测到的监测数据中学习校正项，克服 GLEAM 等机制模型中的偏差。
• 通过混合建模方法，提升美国州级和国家级的短期 COVID-19 死亡率预测准确性。
• 整合多种不确定性量化方法，以生成可靠的预测区间，支持公共卫生决策。
• 证明将机制模型与深度学习结合，可获得优于单一方法的性能表现。

提出的方法

• 该模型以全球疫情与人员流动模型（GLEAM）作为机制基线，模拟跨越 3,200 个次区域的空间解析随机疫情动态。
• 训练扩散卷积循环神经网络（DCRNN）以学习校正项，使 GLEAM 的预测结果与真实世界观测到的死亡率数据对齐。
• DCRNN 利用基于人员流动数据构建的图结构邻接矩阵，捕捉区域间的非规则空间相关性，从而建模时空依赖性。
• 该混合模型名为 DeepGLEAM，通过结合 GLEAM 的模拟输出与深度学习校正结果生成预测，提升预测准确性。
• 评估了多种不确定性量化方法——自助法（bootstrap）、分位数回归、MIS 回归、MC dropout 和 SG-MCMC——以生成置信区间。
• SG-MCMC 因在不同预测时域下均表现出优异的 RMSE、MAE 和覆盖率可靠性，被选为最优方法。

实验结果

研究问题

• RQ1 深度学习模型能否有效校正 GLEAM 等机制性疫情模拟器中的系统性偏差，从而提升预测准确性？
• RQ2 在混合深度学习与机制模型的框架下，不同不确定性量化技术在可靠性与覆盖率方面如何比较？
• RQ3 将深度学习与机制模型结合，是否能获得优于独立深度学习或机制模型的短期死亡率预测性能？
• RQ4 哪种不确定性量化方法能在不同预测时域下提供最稳健且校准良好的预测区间？
• RQ5 该混合模型 DeepGLEAM 是否能在具有不同疫情轨迹的美国各州中实现有效泛化？

主要发现

• DeepGLEAM 在未来 1 至 3 周的预测中显著优于独立的 GLEAM 模型，所有预测时域的 RMSE 和 MAE 均更低。
• 在一周预测时域下，采用 SG-MCMC 进行不确定性量化时，RMSE 达到最低值 58.30，MAE 为 29.72。
• SG-MCMC 在均值预测精度和 95% 预测区间覆盖率方面表现最佳，MIS 值为 563.77，优于自助法和 MC dropout。
• 在某些州级案例（如德克萨斯州和乔治亚州）中，分位数回归提供的置信区间比 SG-MCMC 更可靠，尽管误差略高，但覆盖率更优。
• 在国家级层面，SG-MCMC 在均值预测准确性和区间可靠性方面均优于分位数回归，展现出更优的整体性能。
• 该模型在 41 个美国州中保持强劲表现，自第 32 周起，预测准确性的提升在训练期后依然持续，表现出稳定的泛化能力。