Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis
University of Reading（雷丁大学）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本研究提出融合LSTM与GNN的混合股价预测模型，结合时序特征与股票间关联关系，经扩展窗口验证训练，在历史股票数据上MSE达0.00144，较单一LSTM降低10.6%，优于多个基准模型，为金融分析与实时交易提供新工具。
2025-02-19 cs.AI cs.LG q-fin.ST
Structure Over Signal: A Globalized Approach to Multi-relational GNNs for Stock Prediction
Columbia University（哥伦比亚大学）
本文提出OmniGNN，一种基于注意力机制的多关系动态图神经网络，通过引入全局行业节点和异构边高效传播宏观经济冲击，结合GAT与Transformers捕捉时空动态，显著提升了股票预测的鲁棒性。
2025-10-12 cs.LG
In Search of Deep Learning Architectures for Load Forecasting: A Comparative Analysis and the Impact of the Covid-19 Pandemic on Model Performance
National Technical University of Athens（雅典国立技术大学）；ICCS（计算机与通信系统研究所）；R&D NESTER（NESTER研发中心）
在电网中，短期负荷预测（STLF）至关重要，因为它有助于优化其可靠性，排放和成本，同时使能源公司能够参与能源市场。STLF是一项具有挑战性的任务，由于有功和无功功率的复杂需求，从多种类型的电力负载和他们的依赖于众多的外生变量。其中，特殊情况（如COVID-19疫情）往往可能是负荷系列分布偏移背后的原因。这项工作对深度学习（DL）架构，即神经基扩展分析时间序列预测（N-BEATS）、长短期记忆（LSTM）和时间卷积网络（TCN），在预测准确性和训练可持续性方面进行了比较研究，同时考察了它们在COVID-19大流行时期的分布外泛化能力。一个模式序列预测（PSF）模型被用作基线。案例研究的重点是葡萄牙国家15分钟分辨率净负荷时间序列的提前一天的预测。能源公司和网络运营商可以利用这些结果：（i）使用最先进的DL模型加强其预测工具包;（ii）意识到危机事件对模型性能的严重后果;（iii）作为智能电网背景下的高级模型评估，部署和可持续性指南。
2023-02-25 cs.AI cs.LG
Enhancing Graph Neural Networks Using Proximity Graphs for Dust Source Emission Forecasting
Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Tehran（德黑兰大学）
提出使用Delaunay三角剖分等邻近图作为图神经网络输入，通过消息传递捕捉沙尘源排放的时空动态，相比随机图和LSTM模型显著提升预测精度。
2026-06-19 cs.LG
Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach
New Jersey Institute of Technology（新泽西理工学院）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出一种基于多个cloudlets的半去中心化异构GNN-LSTM方法，用于出租车交通需求预测，有效缓解了去中心化GNN的通信开销并提升了可扩展性，使整体推理时间相比集中式和去中心化方案降低约一个数量级。
2023-04-06 cs.AI cs.LG
Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks
Google Research（谷歌研究院）
在这项工作中，我们研究了一种使用图神经网络和移动数据进行COVID-19病例预测的新预测方法。与现有的时间序列预测模型相比，所提出的方法从单个大规模时空图中学习，其中节点表示区域级别的人类移动性，空间边缘表示基于人类移动性的区域间连通性，时间边缘表示节点随时间的特征。我们在美国县级COVID-19数据集上评估了这种方法，并证明了图神经网络利用的丰富空间和时间信息使模型能够学习复杂的动态。与表现最好的基线模型相比，我们显示RMSLE降低了6%，绝对Pearson相关性从0.9978提高到0.998。这种新的信息来源与基于图形的深度学习方法相结合，可以成为了解COVID-19传播和演变的强大工具。我们鼓励其他人进一步开发一种基于GNN和高分辨率移动数据的传染病建模范例。
2020-07-06 cs.LG cs.SI
Toward the Analysis of Graph Neural Networks
University of Melbourne（墨尔本大学）；Hanoi University of Science and Technology（河内科技大学）；George Mason University（乔治梅森大学）
图神经网络（GNN）最近已经成为图结构数据的鲁棒框架。它们已被应用于知识图谱分析、社交网络推荐，甚至Covid 19检测和疫苗开发等诸多问题。然而，与其他深度神经网络（如前馈神经网络（FFNN））不同，很少有分析（如验证和属性推断）存在，这可能是由于GNN的动态行为，GNN可以将任意图形作为输入，而FFNN仅将固定大小的数值向量作为输入。本文提出了一种将GNN转换为FFNN并重用现有FFNN分析的方法。我们讨论了各种设计，以确保转换的可扩展性和准确性。我们说明我们的方法上的一个研究案例的节点分类。我们相信，我们的方法为理解和分析GNN开辟了新的研究方向。
2022-01-01 cs.LG cs.SE
Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep 22, 2021, based on deep learning
Islamic Azad University, Ardabil Branch（伊斯兰阿扎德大学阿尔达比勒分校）；Sama technical and vocational training college, Islamic Azad University, Ardabil branch（伊斯兰阿扎德大学阿尔达比勒分校萨马职业技术培训学院）；Iran University of Science and Technology（伊朗科技大学）
最近全球爆发的新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）正在影响全球许多国家。由于新感染者的数量不断增加和卫生保健系统的瓶颈，预测即将到来的患者数量将是有用的。这项研究旨在有效地预测180天内伊朗的新病例、死亡人数和康复患者人数，使用伊朗卫生和医学教育部的官方数据集以及控制措施对COVID-19传播的影响。四种不同类型的预测技术，时间序列，和机器学习算法，开发和给定的案例研究的最佳执行方法被确定。在时间序列下，我们考虑了四种算法：先知，长短期记忆，自回归，自回归积分滑动平均模型。在比较不同的技术时，我们发现深度学习方法比时间序列预测算法产生更好的结果。更具体地说，在季节性ANN和LSTM模型中观察到误差测量的最小值。我们的调查结果显示，如果认真采取预防措施，新增病例和死亡人数将减少，2021年9月的死亡人数将达到零。
2021-03-15 cs.AI cs.LG stat.ML
Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；University of Florida（佛罗里达大学）；Northeastern University（东北大学）
本文提出概率图神经网络框架Prob-GNN，用于量化出行需求时空不确定性，并在芝加哥公交与拼车数据上验证其在疫情前后领域偏移下的稳定预测能力。
2024-02-22 cs.LG stat.AP stat.ML
A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a Dynamic Graph Neural Network
Guilin University of Electronic Technology（桂林电子科技大学）
异常检测是通过分析无线传感器网络（WSN）数据流的时间和空间特征来判别系统异常的一种方法，是保证WSN可靠性的关键技术之一。目前，图神经网络（GNNs）已成为流行的最先进的方法进行异常检测的无线传感器网络数据流。然而，现有的基于GNNs的异常检测方法没有同时考虑WSN数据流的多节点、多模态、多时间等时空特征，严重影响了其有效性。针对多模态无线传感器网络数据流的异常检测问题，提出了一种新的异常检测模型。该模型利用3个高斯神经网络分别提取无线传感器网络数据流的时间特征、不同模态之间的相关性特征和传感器节点位置之间的空间特征。具体而言，首先，从每个传感器节点提取的时间特征和模态相关特征被融合成一个向量表示，该向量表示进一步与空间特征聚合，即，最后，对传感器网络节点的当前时间序列数据进行预测，并根据融合特征识别异常状态。在公开数据集上的仿真结果表明，该方法的F1值达到0.90，比具有长短期记忆（LSTM）的图卷积网络（GCN）的F1值提高了14.2%.
2022-02-19 cs.AI cs.LG
Spectral Temporal Graph Neural Network for massive MIMO CSI Prediction
本文提出谱-时间图神经网络（STEM GNN），利用图傅里叶变换融合信道空间与时间特征进行大规模MIMO CSI预测，在总速率上比LSTM和RNN分别提升11.9%和35%。
2023-09-10 cs.AI cs.IT eess.SP
Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models
2019冠状病毒病（COVID-19）是一场全球公共卫生危机，已被世界卫生组织宣布为大流行病。预测各国的COVID-19病例对于帮助政策制定者和医疗服务提供者为未来做好准备是必要的。本研究探讨了几种长短期记忆（LSTM）模型和自回归综合移动平均（ARIMA）模型在预测新冠肺炎确诊病例数方面的表现。每日累计COVID-19病例的时间序列被用于使用几个LSTM模型和ARIMA生成1天、3天和5天的预测。两个新的k期性能指标-k天平均绝对百分比误差（kMAPE）和k天中位数对称精度（kMdSA）-被开发用于评估模型在预测多天时间序列值方面的性能。使用kMAPE和kMdSA对LSTM模型的预测误差均低至0.05%，而ARIMA的预测误差分别为0.07%和0.06%。LSTM模型略微低估，而ARIMA略微高估了预测中的数字。LSTM模型在预测COVID-19病例方面的表现与ARIMA相当。虽然ARIMA需要更长的序列，但LSTM可以在序列大小为3的情况下表现得相当好。然而，LSTM需要大量的训练样本。此外，k期性能指标的发展建议可能是有用的性能评估的时间序列模型在预测多个时期。基于所提出的k周期性能指标，LSTM和ARIMA都可用于COVID-19的时间序列分析和预测。
2020-06-05 cs.LG stat.AP
Event-CausNet: Unlocking Causal Knowledge from Text with Large Language Models for Reliable Spatio-Temporal Forecasting
Duke Kunshan University, China（杜克大学昆山分校）；Peking University, China（北京大学）；Tongji University, China（同济大学）；University of Ottawa, Canada（渥太华大学）
针对时空GNN在非周期性交通事件下预测可靠性差的问题，提出Event-CausNet框架，结合大语言模型提取因果知识并注入双流GNN-LSTM，大幅降低预测误差，提升预测可靠性与可解释性。
2025-11-16 cs.AI cs.LG
Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown
Indian Institute of Technology Guwahati（印度古瓦哈蒂印度理工学院）；Indian Institute of Technology Kharagpur（印度克勒格布尔印度理工学院）；UNSW Sydney（新南威尔士大学悉尼分校）
空气污染对农业、经济、交通事故和健康有着广泛的影响。在本文中，我们使用新的深度学习方法在印度德里的选定部分进行短期（多步）空气质量预测。我们的深度学习方法包括长短期记忆（LSTM）网络模型，其中还包括一些最新版本，如双向LSTM和编码器-解码器LSTM模型。我们使用多变量时间序列方法，试图预测空气质量的10个预测范围，覆盖总的80小时，并提供一个长期（提前一个月）的预测与量化的不确定性。我们的研究结果表明，尽管COVID-19在完全和部分封锁期间对空气质量产生影响，但多变量双向LSTM模型提供了最佳预测。在全面封城期间，COVID-19对空气质量的影响显著;然而，其后空气质量恶化的情况出现前所未有的增长。
2021-02-21 cs.LG stat.AP
CNN-LSTM Hybrid Model for AI-Driven Prediction of COVID-19 Severity from Spike Sequences and Clinical Data
Universidade Federal do Rio de Janeiro（巴西里约热内卢联邦大学）；Programa de Pós-graduação Multicêntrico em Ciências Fisiológicas（多中心生理科学硕士课程）；NUPEM / UFRJ - Instituto de Biodiversidade e Sustentabilidade（NUPEM/UFRJ - 生物多样性与可持续发展研究所）；Fundação Oswaldo Cruz (Fiocruz)（奥斯沃阿尔多·克鲁兹基金会）；Programa de Pós-Graduação Stricto sensu em Biologia Computacional e Sistemas（严格意义上的计算生物学和系统硕士课程）；Universidade Federal do Rio de Janiero（巴西里约热内卢联邦大学）
本研究开发了一种混合CNN-LSTM深度学习模型，利用南美患者的刺突蛋白序列和临床数据预测COVID-19严重程度，模型F1分数达82.92%，ROC-AUC为0.9084，为基因组监测和精准公共卫生提供了有效框架。
2025-05-29 cs.AI cs.LG
Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India
Bareilly College（巴雷利学院）；Jawaharlal Nehru University（贾瓦哈拉尔·尼赫鲁大学）；CSIR-Central Electronics Engineering Research Institute（CSIR-中央电子工程研究所）
为了对抗最近的2019冠状病毒病（COVID-19），学者和临床医生正在寻找新的方法来预测COVID-19爆发的动态趋势，从而可能减缓或阻止大流行。流行病学模型如易感-感染-传染（SIR）模型及其变体有助于理解流行病的动态趋势，并可用于优化传染病控制的决策。但这些基于数学假设的流行病学模型可能无法预测真正的大流行形势。最近，新的机器学习方法被用于了解COVID-19传播的动态趋势。在本文中，我们设计了递归和卷积神经网络模型：vanilla LSTM，stacked LSTM，ED-LSTM，Bi-LSTM，CNN和混合CNN+LSTM模型，以捕捉COVID-19爆发的复杂趋势，并对印度及其四个受影响最严重的州（马哈拉施特拉邦，喀拉拉邦，卡纳塔克邦和泰米尔纳德邦）的COVID-19每日确诊病例进行预测。在测试数据上计算了均方根误差（RMSE）和平均绝对百分比误差（MAPE）评估指标，以证明这些模型的相对性能。结果表明，堆叠LSTM和混合CNN+LSTM模型相对于其他模型表现最好。
2021-08-31 cs.LG q-bio.QM
Predicting COVID-19 cases using Bidirectional LSTM on multivariate time series
College of Engineering（工程学院）
背景资料：为协助政策制定者采取适当决策以阻止COVID-19大流行的传播，准确预测疾病传播至关重要。材料与方法：本文提出了一种深度学习方法，使用双向长短期记忆（Bi-LSTM）网络预测COVID-19病例的累积数量，该网络应用于多变量时间序列。与其他预测技术不同，我们提出的方法首先使用K-Means聚类算法对具有相似人口和社会经济方面以及卫生部门指标的国家进行分组。每个集群国家的累积病例数据（其中包含与封锁措施相关的数据）被馈送到双向LSTM，以训练预测模型。结果：我们通过研究卡塔尔的疾病暴发，验证了所提出的方法的有效性。定量评估，使用多个评估指标，表明所提出的技术优于国家的最先进的预测方法。结论：除了封锁措施外，还使用多个国家的数据，提高了对每日累计COVID-19病例预测的准确性。
2020-09-10 cs.LG cs.SI
Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis
Department of Chemical Engineering, Texas Tech University（德克萨斯理工大学化学工程系）
本文提出一种多级时序图网络，通过局部-全局特征融合提升工业故障诊断性能，实验表明其在复杂故障场景中表现优于基线方法。
2026-04-20 cs.AI cs.LG
A Graph-Attentive LSTM Model for Malicious URL Detection
Department of Electrical and Electronic Engineering, Dhaka University of Engineering & Technology, Gazipur, Bangladesh（达卡工程与技术大学电子与电气工程系，孟加拉国加兹ipur）；Department of Computer Science and Engineering, Atish Dipankar University of Science and Technology, Dhaka, Bangladesh（阿蒂什迪帕克尔科学技术大学计算机科学与工程系，孟加拉国达卡）；Department of Computer Science, Utah Valley University, 800 W University Pkwy, Orem, UT 84058, USA（犹他山谷大学计算机科学系，美国奥尔姆，UT 84058）
针对黑名单难以识别新型或混淆恶意URL的问题，提出融合GNN、GAT与LSTM的GNN-GAT-LSTM模型，从URL字符图中提取结构与序列特征，在651,191个URL上取得0.9806准确率。
2025-10-12 cs.AI cs.CR
Multiwave COVID-19 Prediction from Social Awareness using Web Search and Mobility Data
Purdue University（普渡大学）；Massachusetts Institute of Technology（麻省理工学院）；Yahoo Japan Corporation（雅虎日本公司）；Peking University（北京大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）
COVID-19的反复爆发对全球社会造成了持久的影响，这需要使用早期可用的各种数据来预测大流行波。使用流动性数据预测第一波疫情的现有预测模型可能不适用于多波预测，因为美国和日本的证据表明，不同波的流动性模式与感染病例的波动之间存在不同的关系。因此，为了预测多波大流行，我们提出了一个基于社会意识的图神经网络（SAB-GNN），该网络考虑了与艾滋病相关的网络搜索频率的衰减，以捕捉多波公众意识的变化。我们的模型结合了GNN和LSTM，对城市地区、地区间流动模式、网络搜索历史和未来COVID-19感染之间的复杂关系进行建模。我们训练我们的模型，以使用雅虎日本公司在严格的隐私保护规则下收集的2020年4月至2021年5月四次大流行浪潮中的移动和网络搜索数据来预测东京地区未来的大流行疫情。结果表明，我们的模型优于最先进的基线，如ST-GNN，MPNN和GraphLSTM。虽然我们的模型在计算上并不昂贵（只有3层和10个隐藏的神经元），但所提出的模型使公共机构能够预测和准备未来的大流行爆发。
2022-06-10 cs.AI cs.SI
Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting
Heilbrunn Department of Population and Family Health, Columbia University Mailman School of Public Health（哥伦比亚大学流行病学与家庭健康系）；Department of Geography, University of Colorado（科罗拉多大学地理系）；Population Council（人口理事会）
本研究提出一种并行流LSTM框架，通过引入Meta的Social Connectedness Index衍生的时空特征SPH，在美国州级水平上准确预测COVID-19每日新增住院人数，在Delta和Omicron激增期间表现优于集成模型。
2025-07-07 cs.AI cs.LG
Attention-Based LSTM Network for COVID-19 Clinical Trial Parsing
Novartis（诺华公司）
COVID-19临床试验设计是开发用于预防和治疗COVID-19的疗法的关键任务。在这项研究中，我们应用深度学习方法从COVID-19试验中提取合格标准变量，以实现试验设计和优化的定量分析。具体来说，我们训练基于注意力的双向长短期记忆（Att-BiLSTM）模型，并使用最佳模型来提取实体（即，变量）。我们比较了Att-BiLSTM和传统的基于本体的方法的性能。在一个基准数据集上的结果表明，Att-BiLSTM优于本体模型。Att-BiLSTM实现了0.942的精度，0.810的召回率和0.871的F1，而本体模型仅实现了0.715的精度，0.659的召回率和0.686的F1。我们的分析表明，Att-BiLSTM是一种有效的方法来表征COVID-19临床试验中的患者人群。
2020-12-18 cs.CL cs.LG
FRIGATE: Frugal Spatio-temporal Forecasting on Road Networks
Indian Institute of Technology, Delhi（德里印度理工学院）
针对现有时空图神经网络在道路网络预测中存在的全节点传感、全历史数据及静态网络三大不切实际假设，本研究提出FRIGATE模型，通过结合门控Lipschitz嵌入与LSTM实现多信息融合，具备更强表达能力，在真实交通数据上性能更优且对多种现实限制鲁棒。
2023-06-14 cs.AI cs.LG
It is all Connected: A New Graph Formulation for Spatio-Temporal Forecasting
University of Oslo（奥斯陆大学）；Institute for Energy Systems (IFE)（能源系统研究所（IFE））
随着现代社会中传感器数量的不断增加，时空时间序列预测已成为对未来做出明智决策的事实上的工具。大多数时空预测模型通常包括学习空间和时间依赖性的不同组件。一种常见的方法采用一些图神经网络（GNN）来捕获空间位置之间的关系，而另一种网络，如递归神经网络（RNN），则学习时间相关性。通过将每个记录的样本表示为图中其自己的节点，而不是将特定位置的所有测量值表示为单个节点，时间和空间信息以类似的方式编码。在这种情况下，GNN现在可以直接学习时间和空间依赖性，同时还可以减少对额外时间网络的需求。此外，该框架不要求在时间维度上进行一致的测量，这意味着它也自然有助于处理不规则的时间序列、不同的采样频率或缺失的数据，而不需要进行数据填补。为了评估所提出的方法，我们将风速预测作为一个案例研究，其中我们提出的框架优于其他时空模型，使用带有Transformer或LSTM网络的GNN作为时间更新函数。
2023-03-23 cs.LG
Gated Graph Convolutional Recurrent Neural Networks
Univ. of Pennsylvania（宾夕法尼亚大学）
图过程模拟了许多重要的问题，如识别地震震中或预测天气。在本文中，我们提出了一个图卷积递归神经网络（GCRNN）架构专门针对这些问题。GCRNN使用卷积滤波器组来保持可训练参数的数量与图的大小和所考虑的时间序列无关。我们还提出了Gated GCRNN，GCRNN的时间门控变体，类似于LSTM。在使用合成和真实数据的实验中，与GNN和另一种图递归架构相比，GCRNN在使用相当少的参数的同时显着提高了性能。
2019-06-27 cs.LG stat.ML
Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study
School of Engineering, RMIT Melbourne, Australia（墨尔本皇家理工大学工程学院）；Tarbiat Modares University（塔里克·莫拉兹大学）；Islamic Azad University, Central Tehran Branch（伊斯兰 Azad 大学中央德黑兰分校）；Ferdowsi University of Mashhad（法尔多西大学）
本文提出一种结合CNN-LSTM与WOA-GWO优化的混合深度学习方法，用于提高流行病预测的准确性，通过全球新冠病例数据验证其有效性。
2026-01-16 cs.LG eess.IV
Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis
COVID-19疫情显示政策制定者对及时估计宏观经济变量的需求日益增加。贸发会议先前的一份研究文件审查了长短期记忆人工神经网络（LSTM）是否适合进行这种性质的经济即时预报。在这里，LSTM在COVID-19大流行期间的表现与动态因子模型（DFM）进行了比较和对比，DFM是该领域常用的方法。三个独立变量，即全球商品出口价值和数量以及全球服务出口，是根据2020年第二、第三和第四季度以及2021年第一和第二季度的实际数据年份和表现评估的。在平均绝对误差和均方根误差方面，LSTM在三分之二的变量/季度组合中获得了更好的表现，并显示出更渐进的预测演变，叙述更一致，修订更小。此外，还引入了一种将可解释性引入LSTM的方法，并在随附的nowcast_lstm Python库中提供，该库现在也可以在R，MATLAB和Julia中使用。
2022-03-22 cs.LG econ.EM stat.ML
Link Prediction using Graph Neural Networks for Master Data Management
IBM Research, India（IBM研究院（印度））；IBM Data and AI（IBM数据与人工智能）
n元关系数据的学习图表示有许多现实世界的应用，如反洗钱，欺诈检测和客户尽职调查。COVID 19阳性者的接触者追踪也可以被视为链接预测问题。使用图神经网络预测人与人之间的联系需要仔细的道德和隐私考虑，而不是在迄今为止通常应用GNN的领域。我们介绍了新的方法匿名化数据，模型训练，解释和验证主数据管理中的链接预测，并讨论我们的结果。
2020-08-28 cs.AI cs.SI
Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models
The University of New South Wales（新南威尔士大学）
为了准确预测COVID-19感染的区域传播，该研究提出了一种新的混合模型，该模型将长短期记忆（LSTM）人工递归神经网络与动态行为模型相结合。若干因素及控制策略影响病毒传播，而导致COVID-19感染传播的混杂变量所产生的不确定性相当大。该模型考虑了多种因素的影响，以提高预测十大受影响最严重的国家和澳大利亚的病例和死亡人数的准确性。结果表明，该模型与试验数据吻合较好。它不仅提供准确的预测，而且还估计系统在不确定性下的日常行为。混合模型在有限的可用数据下优于LSTM模型。混合模型的参数进行了优化，使用遗传算法为每个国家，以提高预测能力，同时考虑到区域属性。由于建议的模型可在考虑遏制政策的情况下准确预测COVID-19传播，因此能够用于政策评估、规划和决策。
2020-05-24 cs.LG cs.NE physics.soc-ph
COVID-19 growth prediction using multivariate long short term memory
Brawijaya University（布拉维贾亚大学）
冠状病毒病（COVID-19）传播预测是追踪疫情增长的重要任务。现有的预测仅仅是基于定性分析和数学建模。尽管数据的可用性很丰富，但在COVID-19增长预测中使用机器学习的可用大数据仍然有限。为了在使用深度学习的预测中利用大数据，我们使用长短期记忆（LSTM）方法来学习COVID-19增长随时间的相关性。LSTM层的结构被逐层搜索，直到获得最佳验证分数。首先，我们训练了包含全球确诊病例的训练数据。与递归神经网络（RNN）方法相比，我们取得了良好的性能，具有相当低的验证误差。评价是基于图形可视化和均方根误差（RMSE）。我们发现，随着时间的推移，要达到相同的确诊病例数量并不容易。然而，LSTM在实际案例和预测之间提供了类似的模式。在未来，我们提出的预测可以用于预测即将到来的流行病。代码在这里提供：https://github.com/cbasemaster/lstmcorona
2020-05-27 cs.LG stat.ML
Short-Term Forecasting COVID-19 Cases In Turkey Using Long Short-Term Memory Network
Yeditepe University（耶迪特佩大学）
自二零一九年十二月以来，COVID-19已成为最严重的疾病之一，导致全球严重流行。本研究的目的是评估长短期记忆（LSTM）网络在预测土耳其COVID-19病例总数方面的价值。2020年3月24日至4月23日之间30天的COVID-19数据用于估计未来15天。LSTM网络15天估计的平均绝对误差为1.69 $\pm$ 1.35%。而对于相同的数据，Box-Jenkins法的误差为3.24 $\pm$ 1.56%，Prophet法的误差为6.88 $\pm$ 4.96%，Holt-Winters加性阻尼趋势法的误差为0.47 $\pm$ 0.28%。此外，当死亡人数数据也与总病例数一起提供给LSTM网络的输入时，平均误差降低到0.99 $\pm$ 0.51%。因此，与仅使用总病例数作为输入相比，将死亡人数数据添加到输入中会导致预测误差较小。然而，具有阻尼趋势的Holt-Winters加法方法在预测COVID-19病例总数方面优于LSTM网络。
2020-09-16 cs.LG stat.ML
Finding Patient Zero: Learning Contagion Source with Graph Neural Networks
Northeastern University（东北大学）；Northwestern University（西北大学）；Greenwich University（格林威治大学）；Harvard University（哈佛大学）；University of California San Diego（加利福尼亚大学圣地亚哥分校）
确定流行病的源头，或零号病人（P0），可以提供对感染传播过程的关键见解，并允许有效的资源分配。现有的方法使用图论的中心性措施和昂贵的消息传递算法，需要知识的基础动力学及其参数。在本文中，我们使用图神经网络（GNNs）来重新审视这个问题，以学习P0。我们建立了一类传染病模型中P0的一个理论极限。我们在考虑具有COVID-19历史和特征的疾病的合成和真实世界接触网络上针对不同的流行病模型评估了我们的方法。我们观察到，GNNs可以识别接近理论精度界限的P0，而无需明确输入动力学或其参数。此外，GNN在任意图拓扑上的推理速度比经典方法快100倍以上。我们的理论界限还表明，这种流行病就像一个滴答作响的时钟，强调了早期接触者追踪的重要性。我们找到一个最大的时间后，准确恢复的来源变得不可能，无论使用的算法。
2020-06-27 cs.LG cs.SI
An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM
University of California Santa Barbara（加州大学圣巴巴拉分校）
针对COVID-19病例预测需求，提出融合AR可解释性与LSTM预测能力的自适应混合模型，在多数据集上优于多种主流模型，兼具可解释性，为疫情防控建模提供新方向。
2023-04-30 cs.CY cs.LG stat.AP
Wind Park Power Prediction: Attention-Based Graph Networks and Deep Learning to Capture Wake Losses
University of Oslo（奥斯陆大学）；Institute for Energy Systems（能源系统研究所）
随着风能向电网渗透的增加，能够预测大型风电场的预期发电量变得越来越重要。深度学习（DL）模型可以学习数据中的复杂模式，并在预测尾流损失和预期发电量方面取得了广泛的成功。提出了一种基于注意力的图神经网络（GNN）的模块化框架，其中注意力可以应用于图块的任何期望组件。结果表明，该模型的性能明显优于多层感知器（MLP）和双向LSTM（BLSTM）模型，同时提供与普通GNN模型相当的性能。此外，我们认为，所提出的图形注意力架构可以很容易地适应不同的应用程序，通过提供灵活性到所需的注意力操作，这可能取决于具体的应用程序。通过对注意力权重的分析，表明采用基于注意力的GNN可以深入了解模型的学习内容。特别是，注意力网络似乎意识到涡轮机的依赖性，这与一些关于尾流损失的物理直觉一致。
2022-06-06 cs.AI cs.LG
Exploiting Individual Graph Structures to Enhance Ecological Momentary Assessment (EMA) Forecasting
Maastricht University（马斯特里赫特大学）；University of Amsterdam（阿姆斯特丹大学）
本文研究利用个体图结构增强 EMA 多变量时间序列预测，发现时间图神经网络通过纳入变量间关系图可将 MSE 从 LSTM 基线的 1.02 降至 0.84，并验证了动态学习图的有效性。
2024-03-28 cs.LG
Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks
University of California, Berkeley（加州大学伯克利分校）
提出一种模块化时间增强框架，通过历史上下文集成模块（HCIM）结合可学习的近因感知时间加权、LSTM嵌入轨迹建模和多头时间注意力，在符号图神经网络中捕获短期和长期符号交互动态，并在SE-SGformer上实例化，实验证明在多个真实和合成时间符号网络上性能显著提升。
2026-09-15 cs.LG
Dynamic Graph Convolutional Networks Using the Tensor M-Product
University of Colorado Boulder（科罗拉多大学博尔德分校）；IBM Research（IBM研究院）；Tufts University（塔夫茨大学）；Tel Aviv University（特拉维夫大学）
许多不规则的领域，如社交网络，金融交易，神经元连接，和自然语言结构使用图结构表示。近年来，各种图神经网络（GNN）已成功地应用于此类图的表示学习和预测。在许多现实世界的应用中，底层图随着时间的推移而变化，然而，大多数现有的GNN不足以处理这种动态图。在本文中，我们提出了一种新的技术学习嵌入的动态图使用张量代数框架。我们的方法扩展了流行的图卷积网络（GCN）的学习表示的动态图使用最近提出的张量M-产品技术。理论结果建立了张量方法和张量谱卷积之间的联系。所提出的方法TM-GCN是一致的消息传递神经网络（MPNN）的框架，占空间和时间的消息传递。在真实数据集上的数值实验证明了所提出的方法在动态图上的边缘分类和链接预测任务的性能。我们还考虑了与COVID-19大流行相关的应用，并展示了我们的方法如何用于从接触者追踪数据中早期检测感染者。
2021-01-23 cs.LG stat.ML
TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data
Sorbonne Center for Artificial Intelligence（索邦人工智能中心）；Sorbonne University（索邦大学）；Total Energies（道达尔能源）
提出 TG-PhyNN 框架，将物理约束融入图神经网络训练，通过两步预测策略在 GNN 内计算物理方程导数，在交通流和疾病传播等时空数据预测上显著优于传统模型。
2024-08-29 cs.LG
Leveraging Teleconnections with Physics-Informed Graph Attention Networks for Long-Range Extreme Rainfall Forecasting in Thailand
Hydro-Informatics Institute, Ministry of Higher Education, Science, Research and Innovation（水信息研究所，教育部、科学、研究与创新部）
提出结合物理信息图注意力网络与极值分析的方法，利用遥相关改进泰国测站降雨预测，并在极端事件预测上优于现有模型。
2026-08-10 cs.LG
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia
MEPhI National Research Nuclear University（国立研究核大学（莫斯科工程物理学院））
目前，COVID-19的演变使研究人员能够收集两年来积累的数据集，并将其用于预测分析。反过来，这使得有可能评估更复杂的预测模型的效率潜力，包括具有不同预测范围的神经网络。在本文中，我们根据美国和俄罗斯两个国家的区域数据，对不同类型的预测COVID-19传播动态的方法进行了一致的比较研究。我们使用众所周知的统计方法（例如，指数平滑），一种“明天如今天”的方法，以及一组经典的机器学习模型，这些模型是根据来自各个区域的数据进行训练的。与此同时，还考虑了基于长短期记忆（LSTM）层的神经网络模型，其训练样本汇总了来自美国和俄罗斯两个国家所有地区的数据。根据MAPE指标使用交叉验证进行效率评估。结果表明，对于以每日确诊病例数量大幅增加为特征的复杂时期，在两国所有地区训练的LSTM模型显示出最佳结果，在预测范围为14，28，29，2分别为42天。
2022-07-15 cs.AI cs.LG
Analyzing the Variations in Emergency Department Boarding and Testing the Transferability of Forecasting Models across COVID-19 Pandemic Waves in Hong Kong: Hybrid CNN-LSTM approach to quantifying building-level socioecological risk
JC School of Public Health and Primary Care, The Chinese University of Hong Kong（香港中文大学赛马会公共卫生及基层医疗学院）；Hong Kong Polytechnic University（香港理工大学）
本研究提出混合CNN-LSTM模型，利用香港公共数据预测急诊科滞留，发现第四、五波间滞留最严重且结合建筑环境特征的模型表现最佳，深度迁移学习能提升其他波次预测性能。
2024-03-17 cs.LG physics.soc-ph
Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods
National University of Singapore（新加坡国立大学）
本研究以阿拉米达县为对象，采用多种机器学习模型预测不同疫情时期的交通拥堵，通过可解释方法揭示疫情相关因素对拥堵的影响，发现双向LSTM性能最优。
2026-08-04 cs.LG
Prediction of COVID-19 by Its Variants using Multivariate Data-driven Deep Learning Models
Brawijaya University（布拉维贾亚大学）
自2019年12月中国武汉发现首例病例以来，2019冠状病毒病或COVID-19大流行已席卷全球几乎所有地区。随着全球COVID-19病例的不断增加，SARS-CoV-2已经变异成各种变体。鉴于疫情日益危险，通过预测COVID-19确诊病例来了解疫情何时停止至关重要。因此，许多研究将COVID-19作为案例研究，使用深度学习方法（即LSTM）克服正在进行的大流行，其结果相当准确且误差值较小。LSTM训练用于基于使用ECDC的COVID-19数据集识别的变体预测COVID-19确诊病例，该数据集包含从欧洲30个国家识别的COVID-19确诊病例。使用LSTM和BiLSTM模型进行测试，并添加RNN作为隐藏大小和层大小的比较。结果表明，在测试隐藏大小为25，50，75到100时，RNN模型提供了更好的结果，对于隐藏大小为100的B.1.427/B.1.429变体，最小MSE值为0.01，RMSE值为0.012。在对层大小2、3、4和5的进一步测试中，结果显示BiLSTM模型提供了更好的结果，对于隐藏大小为100且层大小为2的B.1.427/B.1.429变体，最小MSE值为0.01，RMSE为0.01。
2023-01-28 cs.CE cs.LG
Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic
Imperial College London（伦敦帝国理工学院）
2019冠状病毒病（COVID-19）的爆发现已蔓延至全球，感染超过1. 5亿人，并导致超过320万人死亡。因此，迫切需要研究流行病学模型的动态，以更好地了解这些疾病的传播方式。虽然流行病学模型在计算上可能是昂贵的，但机器学习技术的最新进展已经产生了神经网络，其具有以降低的计算成本学习和预测复杂动态的能力。在这里，我们介绍了两个数字孪生的SEIRS模型应用于一个理想化的城镇。SEIRS模型已经过修改，以考虑空间变化，并且在可能的情况下，模型参数基于英国的官方病毒传播数据。我们比较了数据校正的双向长短期记忆网络和预测性生成对抗网络的预测。与原始SEIRS模型数据相比，这两个框架给出的预测是准确的。此外，这些框架与数据无关，可以应用于英国或其他国家的理想化或真实的城镇。此外，SEIRS模型可以包括更多的区间，以便研究更现实的流行病学行为。
2021-05-07 cs.LG physics.soc-ph
A Review of Graph Neural Networks in Epidemic Modeling
Emory University（埃默里大学）；Georgia Institute of Technology（佐治亚理工学院）
本文综述图神经网络在流行病建模中的任务与方法，提出层级分类，分析神经模型与混合模型的技术细节、局限及未来方向。
2024-09-09 cs.LG cs.SI physics.soc-ph
Systemic Risk Radar: A Multi-Layer Graph Framework for Early Market Crash Warning
系统性风险雷达通过多层图框架检测市场崩盘早期信号，利用结构网络信息提升预警效果。
2025-12-19 cs.AI cs.LG q-fin.RM
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
MSGNN: Multi-scale Spatio-temporal Graph Neural Network for Epidemic Forecasting
The College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院）
针对现有图神经网络在传染病预测中难以捕获长距离连接和忽略多尺度模式的问题，提出MSGNN模型，通过新颖图学习模块与图卷积模块实现多尺度时空建模，在美国COVID-19预测中优于现有方法。
2023-08-30 cs.AI cs.LG physics.soc-ph
Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques
University of Wrocław（沃拉兹赫大学）
利用深度学习技术对波兰股市进行统计套利，通过主成分分析、ETF和LSTM构建风险因子，评估不同复制方法在不同市场环境下的表现。
2025-11-20 cs.AI q-fin.ST
Next Word Suggestion using Graph Neural Network
University of Memphis（孟菲斯大学）
针对大型语言模型参数与计算成本高昂的问题，提出结合 GNN 图卷积上下文编码与 LSTM 的下一个词预测方法，并在自定义 Wikipedia 语料上验证有效。
2025-05-13 cs.CL cs.LG
Transfer Graph Neural Networks for Pandemic Forecasting
Athens University of Economics and Business（雅典经济与商业大学）
最近爆发的COVID-19疫情影响了全球数百万人，并对全球医疗保健构成重大挑战。从大流行病的早期开始，人们就清楚地认识到，它具有高度传染性，人员流动在很大程度上助长了它的传播。在本文中，我们研究了人口流动对COVID-19传播的影响，并利用图上表示学习领域的最新进展来捕捉潜在的动态。具体来说，我们创建了一个图，其中节点对应于一个国家的地区，边权重表示从一个地区到另一个地区的人员流动性。然后，我们采用图神经网络来预测未来病例的数量，将控制传播的潜在扩散模式编码到我们的学习模型中。此外，考虑到训练数据的数量有限，我们利用流行病在各国之间的异步爆发，并使用基于模型不可知的元学习方法将知识从一个国家的模型转移到另一个国家的模型。我们比较了所提出的方法对简单的基线和更传统的预测技术在3个欧洲国家。实验结果证明了该方法的优越性，突出了GNN在流行病学预测中的实用性。迁移学习提供了最好的模型，突出了它的潜力，以提高预测的准确性，在第二波的情况下，如果从过去/平行爆发的数据被利用。
2021-04-12 cs.LG cs.SI stat.ML
Exploitation of Hidden Context in Dynamic Movement Forecasting: A Neural Network Journey from Recurrent to Graph Neural Networks and General Purpose Transformers
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
本文评估了多种模型在动态运动预测中的性能，发现混合LSTM结合上下文信息在精度和效率上表现最佳，优于其他方法。
2026-05-14 cs.AI cs.LG eess.SP
Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting
Department of Chemical Engineering, IIT Bombay（印度博亚理工大学化学工程系）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
本文提出STGNN模型，通过学习自适应图结构提升多门店销售预测精度，优于传统基线方法。
2025-11-24 cs.LG
Efficient User Sequence Learning for Online Services via Compressed Graph Neural Networks
Peking University（北京大学）；Alipay (Hangzhou) Information & Technology Co. Ltd.（支付宝（杭州）信息技术有限公司）
本文提出统一框架ECSeq，利用图压缩技术进行用户序列关系建模，在保持高效率和即插即用特性的同时，显著提升了预训练序列模型的预测性能。
2024-06-05 cs.AI cs.LG
