Modèle de convolution graphique temporel adaptatif pour la prédiction épidémique de multiples groupes d'âge

Introduction : La prévision de séries temporelles multivariées des maladies infectieuses est significative pour la santé publique, et la méthode d'apprentissage profond a attiré une attention croissante dans ce domaine de recherche. Matériel et méthodes : Un modèle de convolution graphique temporel adaptatif (ATGCN), qui apprend les modèles de contact de plusieurs groupes d'âge dans une approche basée sur des graphes, a été proposé pour la prédiction de la COVID-19 et de la grippe. Nous avons comparé l'ATGCN avec des modèles autorégressifs, des modèles d'apprentissage de séquences profondes et des modèles ATGCN basés sur l'expérience dans des tâches de prédiction à court et à long terme. Résultats : Les résultats ont montré que le modèle ATGCN a mieux performé que les modèles autorégressifs et les modèles d'apprentissage de séquences profondes sur deux ensembles de données dans des tâches de prédiction à court terme (améliorations de 12,5 % et 10 % sur RMSE) et à long terme (améliorations de 12,4 % et 5 % sur RMSE). De plus, l'RMSE des prévisions ATGCN a le moins fluctué dans les différents groupes d'âge de la COVID-19 (0,029 ± 0,003) et de la grippe (0,059 ± 0,008). Comparé au modèle Ones-ATGCN ou au modèle Pre-ATGCN, le modèle ATGCN a montré des performances plus robustes, avec un RMSE de 0,0293 et 0,06 sur deux ensembles de données lorsque l'horizon est de un. Discussion : Notre recherche indique une large perspective d'application de l'apprentissage profond dans le domaine de la prédiction des maladies infectieuses. Les caractéristiques de transmission et les connaissances spécifiques au domaine des maladies infectieuses devraient être davantage appliquées à la conception de modèles d'apprentissage profond et à la sélection de caractéristiques. Conclusion : Le modèle ATGCN a traité la prévision des séries temporelles multivariées dans une approche d'apprentissage profond basée sur des graphes et a atteint une prédiction robuste des cas confirmés de plusieurs groupes d'âge, indiquant ses grands potentiels pour explorer les interactions implicites des variables multivariées.