The Covid-19 pandemic is still spreading around the world and seriously imperils humankind's health. This swift spread has caused the public to panic and look to scientists for answers. Fortunately, these scientists already have a wealth of data—the Covid-19 reports that each country releases, reports with valuable spatial-temporal properties. These data point toward some key actions that humans can take in their fight against Covid-19. Technically, the Covid-19 records can be described as sequences, which represent spatial-temporal linkages among the data elements with graph structure. Therefore, we propose a novel framework, the Interaction-Temporal Graph Convolution Network (IT-GCN), to analyze pandemic data. Specifically, IT-GCN introduces ARIMA into GCN to model the data which originate on nodes in a graph, indicating the severity of the pandemic in different cities. Instead of regular spatial topology, we construct the graph nodes with the vectors via ARIMA parameterization to find out the interaction topology underlying in the pandemic data. Experimental results show that IT-GCN is able to capture the comprehensive interaction-temporal topology and achieve well-performed short-term prediction of the Covid-19 daily infected cases in the United States. Our framework outperforms state-of-art baselines in terms of MAE, RMSE and MAPE. We believe that IT-GCN is a valid and reasonable method to forecast the Covid-19 daily infected cases and other related time-series. Moreover, the prediction can assist in improving containment policies.

中文翻译：

---

交互时间 GCN：用于 Covid-19 大流行分析的混合深度框架

Covid-19 大流行仍在全球蔓延，严重危害人类健康。这种迅速的传播引起了公众的恐慌，并开始向科学家寻求答案。幸运的是，这些科学家已经拥有大量数据——每个国家发布的 Covid-19 报告都具有宝贵的时空特性。这些数据指出了人类在对抗 Covid-19 时可以采取的一些关键行动。从技术上讲，Covid-19 记录可以描述为序列，它表示具有图形结构的数据元素之间的时空联系。因此，我们提出了一个新的框架，即交互时间图卷积网络 (IT-GCN)，来分析大流行数据。具体来说，IT-GCN 将 ARIMA 引入 GCN 以对源自图中节点的数据进行建模，显示了不同城市大流行的严重程度。我们不是常规的空间拓扑，而是通过 ARIMA 参数化构建带有向量的图节点，以找出大流行数据中的交互拓扑。实验结果表明，IT-GCN 能够捕捉全面的交互时间拓扑结构，并实现对美国 Covid-19 每日感染病例的良好短期预测。我们的框架在 MAE、RMSE 和 MAPE 方面优于最先进的基线。我们认为 IT-GCN 是预测 Covid-19 每日感染病例和其他相关时间序列的有效且合理的方法。此外，预测可以帮助改进遏制政策。我们通过 ARIMA 参数化构建带有向量的图节点，以找出大流行数据中的交互拓扑结构。实验结果表明，IT-GCN 能够捕捉全面的交互时间拓扑结构，并实现对美国 Covid-19 每日感染病例的良好短期预测。我们的框架在 MAE、RMSE 和 MAPE 方面优于最先进的基线。我们认为 IT-GCN 是预测 Covid-19 每日感染病例和其他相关时间序列的有效且合理的方法。此外，预测可以帮助改进遏制政策。我们通过 ARIMA 参数化构建带有向量的图节点，以找出大流行数据中的交互拓扑结构。实验结果表明，IT-GCN 能够捕捉全面的交互时间拓扑结构，并实现对美国 Covid-19 每日感染病例的良好短期预测。我们的框架在 MAE、RMSE 和 MAPE 方面优于最先进的基线。我们认为 IT-GCN 是预测 Covid-19 每日感染病例和其他相关时间序列的有效且合理的方法。此外，预测可以帮助改进遏制政策。实验结果表明，IT-GCN 能够捕捉全面的交互时间拓扑结构，并实现对美国 Covid-19 每日感染病例的良好短期预测。我们的框架在 MAE、RMSE 和 MAPE 方面优于最先进的基线。我们认为 IT-GCN 是预测 Covid-19 每日感染病例和其他相关时间序列的有效且合理的方法。此外，预测可以帮助改进遏制政策。实验结果表明，IT-GCN 能够捕捉全面的交互时间拓扑结构，并实现对美国 Covid-19 每日感染病例的良好短期预测。我们的框架在 MAE、RMSE 和 MAPE 方面优于最先进的基线。我们认为 IT-GCN 是预测 Covid-19 每日感染病例和其他相关时间序列的有效且合理的方法。此外，预测可以帮助改进遏制政策。