Cet article présente un nouveau cadre de mémoire à long terme à flux parallèle (LSTM) pour prédire les hospitalisations quotidiennes par semaine aux États-Unis. Afin de remédier à l'inexactitude des modèles de prédiction existants pendant la pandémie de COVID-19, nous intégrons la proximité sociale des hospitalisations (SPH), une caractéristique spatiotemporelle basée sur l'indice de connectivité sociale de Meta. La SPH capture la dynamique de transmission dans l'espace et le temps en reflétant les mouvements de population hebdomadaires. Notre modèle capture les dépendances temporelles à court et à long terme, et ajuste la cohérence et l'erreur de prédiction grâce à une stratégie d'ensemble multihorizontale. La supériorité du modèle proposé est confirmée par une évaluation comparative avec les modèles d'ensemble de centres de prédiction de la COVID-19 pendant les périodes de propagation du variant Delta et d'Omicron. En particulier, pendant la période de propagation du variant Omicron, les performances de prédiction sont améliorées en moyenne de 27, 42, 54 et 69 hospitalisations par semaine pour les périodes de prévision de 7, 14, 21 et 28 jours, respectivement. Nous validons le pouvoir prédictif du SPH grâce à des expériences de suppression de données, soulignant l’importance des caractéristiques spatio-temporelles dans la modélisation épidémiologique complexe de la propagation des maladies infectieuses.
