[論文レビュー] Artificial Intelligence Forecasting of Covid-19 in China

Zixin Hu, Qiyang Ge+3 more|arXiv (Cornell University)|Feb 17, 2020

COVID-19 epidemiological studies参考文献 7被引用数 118

ひとこと要約

本論文は、中国全土のCOVID-19の動向を予測するために改良されたスタックド・オートエンコーダを用いたAIに触発されたアプローチを提案し、マルチステップ予測誤差を低い一桁で達成し、伝播に基づくグループへ省をクラスタリングする。

ABSTRACT

BACKGROUND An alternative to epidemiological models for transmission dynamics of Covid-19 in China, we propose the artificial intelligence (AI)-inspired methods for real-time forecasting of Covid-19 to estimate the size, lengths and ending time of Covid-19 across China. METHODS We developed a modified stacked auto-encoder for modeling the transmission dynamics of the epidemics. We applied this model to real-time forecasting the confirmed cases of Covid-19 across China. The data were collected from January 11 to February 27, 2020 by WHO. We used the latent variables in the auto-encoder and clustering algorithms to group the provinces/cities for investigating the transmission structure. RESULTS We forecasted curves of cumulative confirmed cases of Covid-19 across China from Jan 20, 2020 to April 20, 2020. Using the multiple-step forecasting, the estimated average errors of 6-step, 7-step, 8-step, 9-step and 10-step forecasting were 1.64%, 2.27%, 2.14%, 2.08%, 0.73%, respectively. We predicted that the time points of the provinces/cities entering the plateau of the forecasted transmission dynamic curves varied, ranging from Jan 21 to April 19, 2020. The 34 provinces/cities were grouped into 9 clusters. CONCLUSIONS The accuracy of the AI-based methods for forecasting the trajectory of Covid-19 was high. We predicted that the epidemics of Covid-19 will be over by the middle of April. If the data are reliable and there are no second transmissions, we can accurately forecast the transmission dynamics of the Covid-19 across the provinces/cities in China. The AI-inspired methods are a powerful tool for helping public health planning and policymaking.

研究の動機と目的

• 中国におけるリアルタイムのCOVID-19予測のため、従来の疫学モデルに代わるAI駆動型アプローチの動機付け。
• 2020年初のデータから伝播ダイナミクスをモデル化する改良型スタックド・オートエンコーダを開発する。
• 潜在表現を用いて省/市をクラスタリングし、伝播構造を明らかにする。
• 累積確定症例のマルチステップ予測を提供し、地域別のプラトー時期を特定する。

提案手法

• COVID-19伝播ダイナミクスをモデル化する改良型スタックド・オートエンコーダを開発する。
• 2020年1月11日から2020年2月27日までの中国の省レベル実データにモデルを適用する。
• オートエンコーダの潜在変数をクラスタリングに用いて、伝播ベースのクラスタに省/市をグループ化する。
• 2020年1月20日から2020年4月20日までの累積症例を予測するために、複数ステップ予測を実施する。
• 6ステップ〜10ステップのホライズンで段階的誤差を用いて予測精度を推定する。

実験結果

リサーチクエスチョン

• RQ1 AIに触発されたモデル、特に改良型スタックド・オートエンコーダは、中国の省/市全体のCOVID-19の推移を正確に予測できるか？
• RQ2 潜在表現は地域の伝播構造をどのように捉え、省/市のクラスタリングを支えるか？
• RQ3 中国における累積確定症例のマルチステップ予測（6–10ステップ）の期待精度はどの程度か？
• RQ4 信頼できるデータ仮定の下で、州/市は予測された伝播ダイナミクスのプラトー段階にいつ入るか？

主な発見

• AIベースの手法は、6ステップから10ステップのマルチステップホライズンで低い平均予測誤差を達成し、報告値はそれぞれ1.64%、2.27%、2.14%、2.08%、0.73%である。
• 潜在表現に基づき、34の省/市が9つのクラスタにグループ化された。
• モデルは2020年1月20日から2020年4月20日までの中国全体の累積確定症例の推移を予測した。
• 信頼できるデータと二次感染がない場合、疫病は4月中旬までに終息する可能性があると予測した。
• 潜在変数クラスタリングは省/市間の伝播構造を明らかにし、標的を絞った公衆衛生計画を支持した。