[論文レビュー] Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models

Seid Miad Zandavi, Taha Hossein Rashidi+1 more|arXiv (Cornell University)|May 24, 2020

COVID-19 epidemiological studies参考文献 33被引用数 15

ひとこと要約

本論文は、地域政策、公衆の行動、医療体制を統合した制御下のシナリオにおける新型コロナウイルスの感染拡大を予測するハイブリッドLSTM-動的行動モデルを提案する。このモデルは、10か国における症例および死亡者数の予測で、標準LSTMを著しく上回り、RMSEを最大90％まで低減した。特に変動が激しい、またはデータが乏しい地域において顕著な効果を示した。

ABSTRACT

To accurately predict the regional spread of Covid-19 infection, this study proposes a novel hybrid model which combines a Long short-term memory (LSTM) artificial recurrent neural network with dynamic behavioral models. Several factors and control strategies affect the virus spread, and the uncertainty arisen from confounding variables underlying the spread of the Covid-19 infection is substantial. The proposed model considers the effect of multiple factors to enhance the accuracy in predicting the number of cases and deaths across the top ten most-affected countries and Australia. The results show that the proposed model closely replicates test data. It not only provides accurate predictions but also estimates the daily behavior of the system under uncertainty. The hybrid model outperforms the LSTM model accounting for limited available data. The parameters of the hybrid models were optimized using a genetic algorithm for each country to improve the prediction power while considering regional properties. Since the proposed model can accurately predict Covid-19 spread under consideration of containment policies, is capable of being used for policy assessment, planning and decision-making.

研究の動機と目的

• 政策変更、行動、報告遅延といった交絡要因の影響を受ける中での新型コロナウイルスの感染拡大予測の課題に対処すること。
• 動的行動モデルとディープラーニングを統合することで、限られたまたはノイジーなデータを持つ地域における予測精度を向上させること。
• 現実の政策および行動のダイナミクスを反映した、地域特化型の症例および死亡者数の予測を可能にすること。
• 異なる行動およびシステム条件下での介入の影響をシミュレートすることで、公衆衛生意思決定を支援すること。

提案手法

• ハイブリッドモデルは、長短期記憶（LSTM）ネットワークと3つの動的モジュール（タスクモデル（公衆行動）、施設モデル（医療インfraストラクチャ）、動的運動モデル（症例／死亡トレンド予測））を組み合わせたものである。
• 動的運動モデルは、LSTMを用いて症例および死亡者数の時間的パターンを学習し、確率的フラクチュエーションおよび不確実性に適応する。
• 地域ごとの感染伝播、政策、医療体制の違いを反映させるために、遺伝的アルゴリズムを用いて各国ごとにモデルパラメータを最適化した。
• ECDCのデータから2020年12月31日から4月19日までの90％を学習データとし、残りの10％をテストデータとして用い、上位10か国およびオーストラリアにおける性能を評価した。
• 接触率、検査、診断、リスク認識の変化を反映するフィードバック機構をフレームワークに組み込んだ。
• 性能評価には、症例および死亡者数の両方のRMSEを用い、ハイブリッドモデルと単独LSTMの比較が行われた。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドLSTMと動的行動モデルは、制御下のシナリオにおける多様な国々で、新型コロナウイルスの症例および死亡者数をどの程度正確に予測できるか？
• RQ2 行動および医療システムのダイナミクスを統合することで、標準LSTMモデルと比較して予測のロバストネスがどの程度向上するか？
• RQ3 地域の政策および行動の違いがモデルのパフォーマンスに与える影響は何か。また、モデルはこれらの変化に適応できるか？
• RQ4 特に変動が激しい、またはデータノイズの高い時期において、モデルは不確実性下でも信頼性のあるトレンド予測が可能か？
• RQ5 遺伝的アルゴリズムによるパラメータ最適化が、異なる国境における予測精度に与える影響は何か？

主な発見

• ハイブリッドモデルは、単独LSTMと比較して、1日あたりの症例のRMSEを最大92％まで低減した。米国では7,934から623に、オーストラリアでは37から15に低下した。
• 死亡者数に関しては、オーストラリアでRMSEが1、ロシアで6となり、LSTMベースラインの3および23と比較して顕著な改善を示した。
• モデルは、スペイン、フランス、ドイツ、中国、オーストラリアが現在の制御措置のもとで20日以内に1日あたりの症例がほぼゼロになることを正確に予測した。
• 一方、LSTMモデルはオーストラリアおよびフランスで失敗し、負の症例数を出力してクラッシュした。これは、データノイズ下での不安定性を示している。
• モデルは大きな変動に敏感であることが判明し、信頼性のある予測には安定したトレンドが不可欠であることが示された。
• ハイブリッドモデルは、イランや英国のように不確実性が高く、データが限られる地域においても、LSTMを常に上回った。