[논문 리뷰] A deep-learning model for evaluating and predicting the impact of lockdown policies on COVID-19 cases

Ahmed Ben Said, Abdelkarim Erradi외 2명|arXiv (Cornell University)|2020. 09. 11.

COVID-19 epidemiological studies인용 수 13

한 줄 요약

이 논문은 잠금 조치 정책이 유사한 국가들을 군집화하고 정책 특성 및 확진자 데이터를 기반으로 매일의 코로나19 확진자를 예측하는 딥러닝 모델을 제안한다. 이 모델은 시나리오 기반 '만약-그러면' 분석을 가능하게 하며, 학교와 국경 제한 조치를 해제할 경우 확진자 수가 급격히 증가할 것임을 보여주고, 다른 조치를 해제할 경우 영향이 미미함을 시사한다.

ABSTRACT

To reduce the impact of COVID-19 pandemic most countries have implemented several counter-measures to control the virus spread including school and border closing, shutting down public transport and workplace and restrictions on gathering. In this research work, we propose a deep-learning prediction model for evaluating and predicting the impact of various lockdown policies on daily COVID-19 cases. This is achieved by first clustering countries having similar lockdown policies, then training a prediction model based on the daily cases of the countries in each cluster along with the data describing their lockdown policies. Once the model is trained, it can used to evaluate several scenarios associated to lockdown policies and investigate their impact on the predicted COVID cases. Our evaluation experiments, conducted on Qatar as a use case, shows that the proposed approach achieved competitive prediction accuracy. Additionally, our findings highlighted that lifting restrictions particularly on schools and border opening would result in significant increase in the number of cases during the study period.

연구 동기 및 목표

• 잠금 조치 정책이 매일의 코로나19 확진자에 미치는 영향을 평가하고 예측할 수 있는 데이터 기반 딥러닝 모델을 개발하는 것.
• 정책 분야별 제한 수준의 변화를 시뮬레이션함으로써 정책 입안자들이 시나리오 기반 분석을 수행할 수 있도록 하는 것.
• 유사한 잠금 조치 전략을 가진 국가들을 군집화하고 공유된 정책-확진자 패턴을 기반으로 훈련시킴으로써 예측 정확도를 향상시키는 것.
• 특정 잠금 조치 조건이 해제될 경우 사망자 수 변화에 가장 큰 영향을 미치는 요소를 특정하고, 카타르를 사례 연구로 활용하는 것.

제안 방법

• K-평균을 사용하여 정책 조치의 시행 시기와 유형에 따라 국가들을 군집화하며, 군집 수 최적화는 무릎 방법을 통해 결정한다.
• 첫 번째 확진자 발생일에서 정책 시행까지의 일수 및 2주 간격의 평균 전파 수치(Rt)를 포함한 정책 특성 추출.
• 각 군집 내 국가의 일일 확진자 수와 정책 특성을 기반으로 딥러닝 모델을 훈련시어 향후 확진자 추세를 예측하는 것.
• 훈련된 모델을 활용해 '만약-그러면' 시나리오를 시뮬레이션하기 위해 한 정책 분야의 제한 조치만 일시적으로 제거하고 나머지 조치는 그대로 유지하는 방식을 사용하는 것.
• RMSE 및 MAE 지표를 사용하여 모델 성능을 평가하고, 카타르 데이터만 사용하거나 잠금 조치 데이터 없이 훈련한 기준 모델과 비교하는 것.
• 카타르의 4번째 잠금 조치 단계(2020년 초순)에 모델을 적용하여 학교, 국경, 대중교통, 직장, 집합 활동 등에 대한 제한 조치 해제가 확진자 수에 미치는 영향을 분석하는 것.

실험 결과

연구 질문

• RQ1 잠금 조치 정책 특성을 통합함으로써 딥러닝 모델이 매일의 코로나19 확진자 예측 정확도를 얼마나 향상시키는가?
• RQ2 어떤 특정 잠금 조치 조건이 해제될 경우 예측된 일일 확진자 수가 가장 크게 증가하는가?
• RQ3 예측 시나리오 기반 시뮬레이션에서 다양한 정책 분야(예: 학교, 국경, 대중교통)가 확진자 추세에 미치는 영향은 어떻게 비교되는가?
• RQ4 유사한 정책 반응을 보이는 국가들을 군집화함으로써 단일 국가 데이터로만 훈련하는 것보다 예측 성능을 향상시킬 수 있는가?
• RQ5 국경 통제나 학교 폐쇄와 같은 핵심 제한 조치를 완전히 해제할 경우 예상되는 확진자 추세는 어떠한가?

주요 결과

• 제안된 모델은 카타르의 일일 확진자 예측에서 RMSE 28, MAE 21을 기록하여 기준 모델(카타르 전용 데이터 사용 시 RMSE 129, MAE 108)보다 유의미하게 뛰어난 성능을 보였다.
• 학교 및 교육 기관에 대한 모든 제한 조치를 해제할 경우, 2020년 9월 4일부터 예측된 확진자 수가 급격히 증가하고 지속적인 상승 추세를 보일 것으로 예측되었다.
• 국경 통제 제한 조치를 해제할 경우, 첫 주 안으로 예측된 확진자 수가 기하급수적으로 증가하여 350건을 초과할 것으로 예측되었으며, 실제 수치보다 100건 이상 많아질 전망이었다.
• 대중교통, 직장, 집합 활동 제한 조치를 해제할 경우 예측된 확진자 수에 미미한 영향을 미쳤으며, 실제 수치와 유사한 변동성을 보였다.
• 모델는 학교와 국경 제한 조치가 전파를 통제하는 데 가장 중요한 요소임을 특정하였으며, 이들의 해제는 재유행 위험을 높이는 것으로 나타났다.
• 모델는 유사한 정책 반응을 보이는 국가들을 군집화하여 훈련시킬 경우 단일 국가 데이터로만 훈련하는 모델보다 예측 정확도가 향상됨을 입증하였다.