[논문 리뷰] An Improved Method for the Fitting and Prediction of the Number of COVID-19 Confirmed Cases Based on LSTM

Bingjie Yan, Xiangyan Tang외 7명|arXiv (Cornell University)|2020. 05. 05.

COVID-19 epidemiological studies참고 문헌 21인용 수 9

한 줄 요약

이 논문은 시공간 데이터 특성, 단계별 데이터 처리 및 최적화된 하이퍼파ram터를 통합하여 확진자 수를 예측하기 위한 향상된 장기 단기 기억(LSTM) 신경망 모델을 제안한다. 기존의 로지스틱 및 힐 방정식과 같은 전통적 모델에 비해 더 높은 피팅 정확도와 낮은 예측 오차를 달성하여 유행병 추세의 시계열 예측에서 향상된 성능을 보여준다.

ABSTRACT

New coronavirus disease (COVID-19) has constituted a global pandemic and has spread to most countries and regions in the world. By understanding the development trend of a regional epidemic, the epidemic can be controlled using the development policy. The common traditional mathematical differential equations and population prediction models have limitations for time series population prediction, and even have large estimation errors. To address this issue, we propose an improved method for predicting confirmed cases based on LSTM (Long-Short Term Memory) neural network. This work compared the deviation between the experimental results of the improved LSTM prediction model and the digital prediction models (such as Logistic and Hill equations) with the real data as reference. And this work uses the goodness of fitting to evaluate the fitting effect of the improvement. Experiments show that the proposed approach has a smaller prediction deviation and a better fitting effect. Compared with the previous forecasting methods, the contributions of our proposed improvement methods are mainly in the following aspects: 1) we have fully considered the spatiotemporal characteristics of the data, rather than single standardized data; 2) the improved parameter settings and evaluation indicators are more accurate for fitting and forecasting. 3) we consider the impact of the epidemic stage and conduct reasonable data processing for different stage.

연구 동기 및 목표

• 시계열 유행병 데이터 예측에서 기존 미분방정식 및 인구 예측 모델의 한계를 해결하기 위해.
• 딥러닝, 특히 LSTM 네트워크를 활용하여 확진 코로나19 사례의 예측 정확도를 향상시키기 위해.
• 더 현실적인 데이터 표현을 위해 시공간 특성과 유행 단계 역학을 모델에 통합하기 위해.
• 더 나은 피팅 및 예측 성능를 위해 하이퍼파ram터와 평가 지표를 최적화하기 위해.
• 기존 디지털 예측 모델(예: 로지스틱 및 힐 방정식)에 비해 추정 오차를 줄이기 위해.

제안 방법

• 연구는 확진자 수 데이터의 시간적 의존성을 모델링하기 위해 장기 단기 기억(LSTM) 신경망 아키텍처를 사용한다.
• 데이터의 시공간 특성이 명시적으로 고려되어 있으며, 단일 표준화 입력 처리를 넘어서는 방식을 취한다.
• 유행의 진행 단계에 따라 단계별로 데이터 전처리를 적용하여 모델의 적응성을 향상시킨다.
• 피팅 정확도와 예측 신뢰성을 향상시키기 위해 최적화된 하이퍼파ram터와 평가 지표를 사용한다.
• 모델 성능은 적합도 지표를 사용하여 평가되며, 로지스틱 및 힐 방정식 모델의 기준 데이터와 비교된다.
• 학습 과정은 편차와 피팅 평가를 위해 실제 세계의 확진자 수 데이터를 기준 진짜 값으로 사용한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 모델은 어떻게 개선되어 코로나19 사례 진행의 시공간 역학을 더 잘 포착할 수 있는가?
• RQ2 단계별 데이터 처리는 유행 예측의 정확도 향상에 얼마나 기여하는가?
• RQ3 제안된 LSTM 모델은 로지스틱 및 힐 방정식과 같은 전통적 모델에 비해 피팅과 예측 오차에서 어떻게 비교되는가?
• RQ4 최적화된 하이퍼파aram터와 평가 지표는 시계열 유행병 예측에서 추정 오차를 상당히 줄일 수 있는가?
• RQ5 실제 세계 데이터 특성을 통합할 경우 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 향상된 LSTM 모델은 로지스틱 및 힐 방정식과 같은 기존 모델에 비해 예측 편차가 상당히 작다.
• 모델은 실제 확진자 수 데이터와 더 잘 일치하는 더 높은 적합도 점수를 달성한다.
• 시공간 데이터 특성을 통합하면 단일 표준화 처리보다 더 정확하고 강건한 예측이 가능하다.
• 단계별 데이터 처리는 유행의 다양한 단계에서 모델의 적응성을 향상시키고 오차를 줄인다.
• 최적화된 하이퍼파aram터와 평가 지표는 향상된 피팅 및 예측 성능에 기여한다.
• 제안된 방법은 피팅 정확도와 예측 신뢰성 측면에서 이전의 예측 기법을 모두 능가한다.