全国图像图形学学术会议（NCIG）是中国图像图形学学会主办的最高级别的系列国内会议，每两年举办一届，迄今已经成功举办了19届，会议主题为“图像图形智能处理”。此次NCIG2020大会由中国图象图形学学会主办，新疆大学承办的“第二十届全国图象图形学学术会议”将于2020年6月28日-30日在新疆维吾尔自治区乌鲁木齐市举行。会议录用论文将推荐至会议各类合作核心学术期刊，涵盖EI核心期刊、中国科技核心期刊、中文核心期刊等。
我校人工智能与变革管理研究院团队的学术论文《一种用于COVID-19预测的图卷积神经网络时空数据学习方法》被大会录用。
一种用于COVID-19预测的图卷积神经网络时空数据学习方法
杨成意1，刘峰2*，齐佳音2*，段妍1，吕润倩1，肖子龙3
1.上海对外经贸大学 统计与信息学院 人工智能与变革管理研究院，上海，201620；
2.上海对外经贸大学 人工智能与变革管理研究院，上海，200336；
3.中山大学 数据科学与计算机学院，广州，510006
摘 要： 目前对于疾病传播的研究主要集中于时序数据和传染病模型，缺乏运用空间信息提升预测精度的探索和解释，本文为此一种用图深度学习实现的时空数据学习方法。由于在研究过程中发现了疫情与地理空间、高铁线路、飞机航线之间的正相关关系，遂将国内各城市之间的空间分布和交通连接关系映射成网络图，并编码成了地理邻接矩阵、高铁线路直达矩阵、飞机航线直达矩阵、飞机航线或高铁线路直达矩阵。按时间窗对疫情数据进行切片后形成张量，依次分批输入到图卷积神经网络中参与卷积运算，使得训练与预测有更多先验信息可以参照，也改变了处理时空数据依赖于模型集成的做法，实现了端对端学习的训练框架。通过反向传播和梯度下降训练模型，分别在验证集和测试集上调优参数和进行预测。在新型冠状病毒肺炎疫情数据集上的实验结果显示，采用GCN学习这一时空特征，相较于RNN、GRU、LSTM等循环神经网络模型，有着更高的训练精度、更低的训练时间与运算成本。本文的实验及结论将为图深度学习方法在处理时空数据问题上的更广泛应用提供参照，下一步将对图深度学习方法用于回归问题时的性能优化展开探索和研究，最终为多领域应用提供技术和理论支撑。
关键词：图卷积神经网络；时空特征；新冠肺炎；深度学习；疫情预测