[論文レビュー] Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep 22, 2021, based on deep learning

Jafar Abdollahi, Amir Jalili Irani+1 more|arXiv (Cornell University)|Mar 15, 2021

COVID-19 epidemiological studies参考文献 22被引用数 9

ひとこと要約

本研究では、イラン保健省の公式データを用いて、COVID-19流行の深層学習ベースの予測モデルを構築し、時系列モデルと機械学習手法を比較した。LSTM（長短記憶）と季節的アンサンブルニューラルネットワーク（ANN）が、従来の時系列モデルを上回る性能を示し、予防策が維持されれば、新規症例と死亡者数の減少が予測され、2021年9月22日までに死亡者数がゼロになると予測された。

ABSTRACT

The recent global outbreak of covid-19 is affecting many countries around the world. Due to the growing number of newly infected individuals and the health-care system bottlenecks, it will be useful to predict the upcoming number of patients. This study aims to efficiently forecast the is used to estimate new cases, number of deaths, and number of recovered patients in Iran for 180 days, using the official dataset of the Iranian Ministry of Health and Medical Education and the impact of control measures on the spread of COVID-19. Four different types of forecasting techniques, time series, and machine learning algorithms, are developed and the best performing method for the given case study is determined. Under the time series, we consider the four algorithms including Prophet, Long short-term memory, Autoregressive, Autoregressive Integrated Moving Average models. On comparing the different techniques, we found that deep learning methods yield better results than time series forecasting algorithms. More specifically, the least value of the error measures is observed in seasonal ANN and LSTM models. Our findings showed that if precautionary measures are taken seriously, the number of new cases and deaths will decrease, and the number of deaths in September 2021 will reach zero.

研究の動機と目的

• 公式データを用いて、イランにおける180日間の新規COVID-19症例数、死亡者数、回復者数の予測を行う。
• 時系列モデル（例：Prophet、ARIMA）と機械学習手法（例：LSTM、ANN）の予測性能を比較する。
• イランにおける予防策の影響が流行の推移に与える影響を評価する。
• イランの文脈に最も適した予測モデルを特定する。

提案手法

• 本研究では、イラン保健・医学教育省が公表する公式な日次データ（確認済み症例数、死亡者数、回復者数）を用いた。
• 4つの時系列モデルを適用した：Prophet、長短記憶（LSTM）、自己回帰（AR）、自己回帰統合移動平均（ARIMA）。
• 2つの深層学習モデル（季節的アンサンブルニューラルネットワーク（ANN）とLSTM）を構築し、履歴データに基づいて学習させ、将来的な傾向を予測した。
• モデルの性能は標準誤差指標を用いて評価され、最も低い誤差値を示したモデルが最良の性能を持つと判断された。
• 予防策の影響を再現するため、感染率の変化を反映するように入力パラメータを調整した。

実験結果

リサーチクエスチョン

• RQ1 時系列モデルと深層学習のどちらが、イランにおけるCOVID-19の拡散予測において優れた性能を示すか？
• RQ2 2021年9月までに、予防策の影響がイランの新規症例数と死亡者数の予測にどのように影響を与えるか？
• RQ3 LSTM や季節的ANN といった深層学習モデルは、従来の時系列モデルよりも、イランの流行に対してより正確な予測を提供できるか？
• RQ4 予防策が継続された場合、2021年9月22日までにイランの新規症例数と死亡者数の推移はどのようになるか？

主な発見

• LSTMと季節的ANNモデルは、全テストモデルの中で最も低い誤差値を示し、Prophet や ARIMA といった従来の時系列モデルを上回った。
• 本研究では、深層学習モデルが、イランにおけるCOVID-19の拡散予測において、古典的時系列モデルよりも効果的であることが判明した。
• 予防策が継続されれば、モデルは2021年9月22日までにイランの新規日別死亡者数がゼロになると予測した。
• 予防介入が継続される限り、180日間の予測期間中に新規症例数と死亡者数は著しく減少すると予測された。