[論文レビュー] Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics

Madhurima Panja, Tanujit Chakraborty+2 more|arXiv (Cornell University)|Jun 21, 2022

COVID-19 epidemiological studies被引用数 4

ひとこと要約

本稿では、非線形的かつ非定常的な疫学時系列の予測を向上させるために、最大重複離散ウェーブレット変換（MODWT）と自己回帰ニューラルネットワーク（ARNN）を組み合わせたアンサンブルウェーブレットニューラルネットワーク（EWNet）であるEpicastingを提案する。このモデルは、15の実世界の疫学時系列データセットにおいて、22の最先端の統計的・機械学習的・ディープラーニングモデルを上回り、予測の精度と理論的安定性に優れ、信頼性のある予測区間を提供する。

ABSTRACT

Infectious diseases remain among the top contributors to human illness and death worldwide, among which many diseases produce epidemic waves of infection. The unavailability of specific drugs and ready-to-use vaccines to prevent most of these epidemics makes the situation worse. These force public health officials and policymakers to rely on early warning systems generated by reliable and accurate forecasts of epidemics. Accurate forecasts of epidemics can assist stakeholders in tailoring countermeasures, such as vaccination campaigns, staff scheduling, and resource allocation, to the situation at hand, which could translate to reductions in the impact of a disease. Unfortunately, most of these past epidemics exhibit nonlinear and non-stationary characteristics due to their spreading fluctuations based on seasonal-dependent variability and the nature of these epidemics. We analyse a wide variety of epidemic time series datasets using a maximal overlap discrete wavelet transform (MODWT) based autoregressive neural network and call it EWNet model. MODWT techniques effectively characterize non-stationary behavior and seasonal dependencies in the epidemic time series and improve the nonlinear forecasting scheme of the autoregressive neural network in the proposed ensemble wavelet network framework. From a nonlinear time series viewpoint, we explore the asymptotic stationarity of the proposed EWNet model to show the asymptotic behavior of the associated Markov Chain. We also theoretically investigate the effect of learning stability and the choice of hidden neurons in the proposal. From a practical perspective, we compare our proposed EWNet framework with several statistical, machine learning, and deep learning models. Experimental results show that the proposed EWNet is highly competitive compared to the state-of-the-art epidemic forecasting methods.

研究の動機と目的

• 季節的変動や複雑な伝播ダイナミクスに起因する非線形的かつ非定常的な疫学時系列の予測という課題に対処すること。
• 公衆衛生分野におけるリアルタイム意思決定を支援する、耐障害性に富んだデータ駆動型の予測フレームワークを構築すること。
• ウェーブレット分解とニューラルネットワークの統合により、マルチスケールの疫学的パターンのモデリングを強化すること。
• 信頼性のある不確実性の定量化を伴う、理論的根拠に基づいた、計算効率の良いディープラーニングモデルの代替手段を提供すること。
• 正確で段階的な予測を可能にすることで、疫学的準備状況のための早期警戒システムを実現すること。

提案手法

• EWNetフレームワークは、最大重複離散ウェーブレット変換（MODWT）を用いて、疫学時系列をマルチスケールの成分に分解し、非定常的かつ季節的行動を捉える。
• 各ウェーブレット分解成分は、個別の予測を可能にするために自己回帰ニューラルネットワーク（ARNN）に供給され、複雑な時系列依存性を学習できる。
• 個々のARNNからの予測は、集約によって再構成され、最終的な予測としてのアンサンブルウェーブレットニューラルネットワーク構造を形成する。
• 理論的分析により、EWNetに内在するマルコフ連鎖の漸近的定常性が確立され、学習の安定性および最適な隠れニューロン数の選定が検討された。
• モデルは、RMSE、MASE、MAE、sMAPEを性能指標として使用し、リアルタイム展開のための段階的またはバッチ再トレーニングが可能である。
• ハイパーパramータ選定は理論的分析に基づき、ディープラーニングのベースラインと比較してランタイムの複雑さが低減された。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースの分解は、非線形的かつ非定常的な疫学時系列の予測精度を向上させることができるか？
• RQ2 MODWTとARNNの統合は、単独のモデルと比較して予測性能をどのように向上させるか？
• RQ3 提案されたEWNetフレームワークの理論的安定性および収束特性は何か？
• RQ4 EWNetは、多様な疫学的データセットにおいて22の統計的・機械学習的・ディープラーニングモデルと比較して、性能に優れているか？
• RQ5 EWNetモデルは、信頼性のある予測区間を伴い、リアルタイムで段階的な予測を可能にし、公衆衛生分野での利用に適しているか？

主な発見

• EWNetモデルは、すべての15の疫学的データセットで優れた性能を発揮し、RMSE、MASE、MAE、sMAPEの観点で22のベンチマークモデルを上回った。
• モデルはインfluenza、デングア熱、B型肝炎、マラリアなど多様な疾患において、異なる地理的地域やデータ頻度に対しても良好な一般化性能を示した。
• 理論的分析により、EWNetの背後にあるマルコフ連鎖の漸近的定常性が確認され、長期的な予測の信頼性が裏付けられた。
• 原則に基づいたハイパーパramータ選定のおかげで、学習の安定性が向上し、計算複雑度が低減したため、リアルタイム展開が可能となった。
• MODWTとARNNの統合により、特に季節的および変動する伝播パターンを捉えるマルチスケールの疫学的ダイナミクスのモデリングが顕著に向上した。
• モデルは、段階的再トレーニングが可能なため、新しい発症データに応じて適応的予測が可能な早期警戒システムとしての展開に適している。