[論文レビュー] An Improved Method for the Fitting and Prediction of the Number of COVID-19 Confirmed Cases Based on LSTM

Bingjie Yan, Xiangyan Tang+7 more|arXiv (Cornell University)|May 5, 2020

COVID-19 epidemiological studies参考文献 21被引用数 9

ひとこと要約

本論文は、空間時間的データ特性、段階別データ処理、最適化されたハイパーパrameterを組み込んだ、COVID-19の陽性確定例数を予測する改善された長短期記憶（LSTM）ニューラルネットワークモデルを提案する。従来のモデル（ロジスティック方程式やヒル方程式）と比較して、より優れたフィッティング精度と低い予測誤差を達成しており、感染症の推移を時系列で予測する性能が向上していることが示された。

ABSTRACT

New coronavirus disease (COVID-19) has constituted a global pandemic and has spread to most countries and regions in the world. By understanding the development trend of a regional epidemic, the epidemic can be controlled using the development policy. The common traditional mathematical differential equations and population prediction models have limitations for time series population prediction, and even have large estimation errors. To address this issue, we propose an improved method for predicting confirmed cases based on LSTM (Long-Short Term Memory) neural network. This work compared the deviation between the experimental results of the improved LSTM prediction model and the digital prediction models (such as Logistic and Hill equations) with the real data as reference. And this work uses the goodness of fitting to evaluate the fitting effect of the improvement. Experiments show that the proposed approach has a smaller prediction deviation and a better fitting effect. Compared with the previous forecasting methods, the contributions of our proposed improvement methods are mainly in the following aspects: 1) we have fully considered the spatiotemporal characteristics of the data, rather than single standardized data; 2) the improved parameter settings and evaluation indicators are more accurate for fitting and forecasting. 3) we consider the impact of the epidemic stage and conduct reasonable data processing for different stage.

研究の動機と目的

• 時系列感染症データの予測において、従来の微分方程式や人口予測モデルの限界を是正すること。
• 深層学習、特にLSTMネットワークを用いて、COVID-19陽性確定例数の予測精度を向上させること。
• 空間時間的特性と感染症の段階的ダイナミクスをモデルに組み込むことで、より現実的なデータ表現を実現すること。
• フィッティング精度と予測性能を向上させるために、ハイパーパrameterと評価指標を最適化すること。
• 従来のデジタル予測モデル（ロジスティック方程式やヒル方程式など）と比較して、推定誤差を低減すること。

提案手法

• 研究では、陽性確定例数データにおける時間的依存性をモデル化するために、長短期記憶（LSTM）ニューラルネットワークアーキテクチャを採用する。
• データの空間時間的特性が明示的に考慮されており、単一の標準化処理にとどまらない。
• 感染症の進行段階に基づいた段階別データ前処理を適用することで、モデルの適応性を向上させる。
• フィッティング精度と予測信頼性を向上させるために、最適化されたハイパーパrameterと評価指標が用いられる。
• モデルの性能は、フィットネスの良さを示す指標を用いて評価され、ロジスティック方程式やヒル方程式モデルの基準データと比較される。
• 学習プロセスでは、ずれやフィッティングの評価に用いる基準として、実世界の陽性確定例数データが真値として使用される。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、COVID-19の陽性確定例数の進行における空間時間的ダイナミクスをより良く捉えるために、どのように改善できるか？
• RQ2 段階別データ処理は、感染症予測における予測精度をどの程度向上させるか？
• RQ3 提案されたLSTMモデルは、従来のモデル（ロジスティック方程式やヒル方程式）と比較して、フィッティング精度と予測誤差の面でどの程度優れているか？
• RQ4 最適化されたハイパーパrameterと評価指標は、時系列感染症予測における推定誤差を顕著に低減できるか？
• RQ5 実世界のデータ特性を組み込むことで、陽性確定例数の予測におけるモデル性能にどのような影響を与えるか？

主な発見

• 改善されたLSTMモデルは、ロジスティック方程式やヒル方程式などの従来モデルと比較して、顕著に小さい予測ずれを示した。
• モデルは、実世界の陽性確定例数データとより良好に一致する、より高いフィットネススコアを達成した。
• 空間時間的データ特性を組み込むことで、単一の標準化処理に比べて、より正確で頑健な予測が可能になった。
• 段階別データ処理により、感染症の異なる段階におけるモデルの適応性が向上し、誤差が低減された。
• 最適化されたハイパーパrameterと評価指標は、フィッティングと予測性能の向上に寄与した。
• 提案手法は、フィッティング精度と予測信頼性の両面で、従来の予測技術を上回った。