利用拉格朗日-欧拉图神经常微分方程学习和预测多尺度时空流行病动力学
Learning and Forecasting Multiscale Spatiotemporal Epidemic Dynamics with Lagrangian-Eulerian Graph Neural ODEs
精选理由
以机制对齐的图神经微分方程提升疫情中长期预测的准确性与可解释性。
AI 摘要
arXiv:2610.21223v1 公告类型：新 摘要：准确的中长期流行病预测需要根据不完整观测，对高维、异质且非平稳的动力学进行外推。然而，混合模型通常未明确哪些观测信息对应哪些流行病过程，以及学习到的图交互如何改变系统状态。我们提出 LE-EpiGNODE，以面向具体过程、由机制引导的神经算子取代通用消息传递：年龄-接触信息驱动拉格朗日感染生成，而移动性则在保持结构的通用微分方程中驱动守恒的欧拉人口输运。我们在14种受控合成机制上评估了 LE-EpiGNODE，这些机制涵盖时间调制、状态依赖、非线性和耦合动力学；此外还在三个互补的 COVID-19 场景、21个对比模型和五项针对性消融实验中进行了评估。预测优势往往会在更长预测时域上变得更加明显；在最长预测时域下，LE-EpiGNODE 在三个真实世界数据集上均取得了最低的 WMAPE，相较最佳基线模型将误差降低了17.7%–40.0%。受控消融实验表明，这些优势源于拉格朗日-欧拉分解和与过程相一致的先验；同时，合成数据中的真实值表明，学习到的算子和诱导的状态通量能够追踪已知的生成动力学。这些结果表明，以机制组织的图神经动力学能够实现可靠的长时域外推，并在轨迹精度之外提供可直接检验的、过程层面的机制解释。