[論文レビュー] Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models

Arko Barman|arXiv (Cornell University)|Jun 5, 2020

COVID-19 diagnosis using AI参考文献 15被引用数 10

ひとこと要約

本研究では、時系列データを用いて、LSTM（Long Short-Term Memory）モデルとARIMAモデルを用いた、1日ごとの累積COVID-19感染症件数の予測を比較した。本研究では、k日分の予測を評価するための新規指標であるk日平均絶対誤差率（kMAPE）とk日中央対称精度（kMdSA）を導入し、両モデルの性能が類似していることが判明した。LSTMは0.05%のkMAPEを達成し、ARIMAは0.07%を記録した。これは、公衆衛生計画における予測精度が極めて高いことを示している。

ABSTRACT

Coronavirus disease 2019 (COVID-19) is a global public health crisis that has been declared a pandemic by World Health Organization. Forecasting country-wise COVID-19 cases is necessary to help policymakers and healthcare providers prepare for the future. This study explores the performance of several Long Short-Term Memory (LSTM) models and Auto-Regressive Integrated Moving Average (ARIMA) model in forecasting the number of confirmed COVID-19 cases. Time series of daily cumulative COVID-19 cases were used for generating 1-day, 3-day, and 5-day forecasts using several LSTM models and ARIMA. Two novel k-period performance metrics - k-day Mean Absolute Percentage Error (kMAPE) and k-day Median Symmetric Accuracy (kMdSA) - were developed for evaluating the performance of the models in forecasting time series values for multiple days. Errors in prediction using kMAPE and kMdSA for LSTM models were both as low as 0.05%, while those for ARIMA were 0.07% and 0.06% respectively. LSTM models slightly underestimated while ARIMA slightly overestimated the numbers in the forecasts. The performance of LSTM models is comparable to ARIMA in forecasting COVID-19 cases. While ARIMA requires longer sequences, LSTMs can perform reasonably well with sequence sizes as small as 3. However, LSTMs require a large number of training samples. Further, the development of k-period performance metrics proposed is likely to be useful for performance evaluation of time series models in predicting multiple periods. Based on the k-period performance metrics proposed, both LSTMs and ARIMA are useful for time series analysis and forecasting for COVID-19.

研究の動機と目的

• 1日ごとの累積COVID-19感染症件数データに対するLSTMおよびARIMAモデルの予測性能を評価すること。
• k日分の時系列予測を評価するための新規k期間評価指標（kMAPEおよびkMdSA）を開発・適用すること。
• 特に短い学習シーケンスに対して、モデルの頑健性を評価すること。
• 正確な短期的感染症件数予測を通じて、公衆衛生政策立案者に実用的なインサイトを提供すること。

提案手法

• LSTMおよびARIMAモデルの入力として、1日ごとの累積確認COVID-19感染症件数の時系列データが使用された。
• LSTMモデルは、3日間という短いシーケンスを含む、さまざまな長さのシーケンスで学習させ、限られたデータでの性能を評価した。
• ARIMAモデルは、AICおよびACF/PACF分析に基づく標準的な時系列同定および選択手順を用いてフィッティングされた。
• kMAPEおよびkMdSA指標が導入され、k日間にわたる連続的な予測の精度を評価するための改善がなされた。
• 複数の国における1日、3日、5日予測の精度を評価する目的で、モデル性能が評価された。
• ハイパーパrameterチューニングおよび交差検証が適用され、LSTMアーキテクチャおよびARIMAの次数選択の最適化が行われた。

実験結果

リサーチクエスチョン

• RQ1 LSTMおよびARIMAモデルは、1日、3日、5日予測の各期間において、1日ごとの累積COVID-19感染症件数をどの程度正確に予測できるか？
• RQ2 LSTMは、3日間という短い入力シーケンスにおいても、ARIMAと比較して信頼性の高い予測を達成できるか？
• RQ3 提案されたkMAPEおよびkMdSA指標は、多日予測の性能評価にどの程度効果的か？
• RQ4 LSTMはARIMAと比較して、常に感染症件数を低く予測するか、または高く予測するか？
• RQ5 学習サンプルサイズの変化が、LSTMとARIMAの予測精度に与える影響は何か？

主な発見

• LSTMモデルは、多日予測においてkMAPEが0.05%、kMdSAが0.05%を達成し、高い精度を示した。
• ARIMAモデルは、kMAPEが0.07%、kMdSAが0.06%を記録し、LSTMに比べてわずかに低い性能を示した。
• LSTMは感染症件数をわずかに低く予測した一方、ARIMAはわずかに高く予測した。
• LSTMは3日間という短いシーケンスでも良好な性能を示し、限られたデータに対しても頑健であることが明らかになった。
• 提案されたk期間指標（kMAPEおよびkMdSA）は、多段階予測の性能評価に有効であることが実証された。
• 両モデルとも公衆衛生分野における時系列予測に実用的であり、LSTMはわずかに高い精度と柔軟性を提供している。