[논문 리뷰] Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks

Benedek Rózemberczki, Paul Scherer외 3명|arXiv (Cornell University)|2021. 02. 16.

Traffic Prediction and Management Techniques참고 문헌 21인용 수 7

한 줄 요약

이 논문은 시계열 예측에서 반복적 그래프 신경망을 평가하기 위한 새로운 벤치마크로 헝가리의 수두 환자 수 데이터셋을 소개한다. 이 데이터셋은 2005~2015년 주간 단위의 카운티 수준의 환자 수를 포함하며, 강한 계절성, 공간적 및 시간적 자기상관, 영수치 과잉, 이 Gauss 분산성 등의 특성을 지닌다. 평가 결과, DynGRAE가 다양한 예측 수준에서 가장 뛰어난 예측 성능을 보였으며, 10주 예측에서 특히 두드러진 우위를 보였다.

ABSTRACT

Recurrent graph convolutional neural networks are highly effective machine learning techniques for spatiotemporal signal processing. Newly proposed graph neural network architectures are repetitively evaluated on standard tasks such as traffic or weather forecasting. In this paper, we propose the Chickenpox Cases in Hungary dataset as a new dataset for comparing graph neural network architectures. Our time series analysis and forecasting experiments demonstrate that the Chickenpox Cases in Hungary dataset is adequate for comparing the predictive performance and forecasting capabilities of novel recurrent graph neural network architectures.

연구 동기 및 목표

• 시공간 예측에서 반복적 그래프 신경망 아키텍처를 평가하기 위한 새로운 실용적 기준 데이터셋을 제공하기 위해.
• 교통 및 기상 예측 외의 다양한 공개 가능한 시공간 데이터셋의 부족을 해결하기 위해.
• 복잡한 통계적 특성을 지닌 실제 전염병 시계열 데이터에서 그래프 신경망 성능의 비교 평가를 가능하게 하기 위해.
• 구조적 및 통계적 과제를 지닌 데이터셋을 제공함으로써 시간적 그래프 표현 학습 연구를 지원하기 위해.

제안 방법

• 데이터셋은 2005년부터 2015년까지 헝가리의 19개 카운티에서 주간으로 보고된 수두 환자 수로 구성되어 있다.
• 지리적 인접성 기반으로 카운티 수준의 공간 인접성 그래프를 구축하였다.
• 반복적 그래프 신경망 모델은 이전 8개 시간 단위의 데이터를 입력 특성으로 사용하여 학습시켰다.
• 예측 수준 10, 20, 40주에 대해 평균 제곱오차(MSE)를 사용하여 모델을 평가하였다.
• 표준화된 시계열 데이터를 사용하여 학습하였으며, GConvLSTM, GConvGRU, Evolve GCN, DynGRAE, STGCN, DCRNN 등의 모델을 포함하였다.
• 성능 평가의 신뢰성을 확보하기 위해 실험을 10회 반복하여 평균 MSE 및 표준편차를 계산하였다.

실험 결과

연구 질문

• RQ1 최신의 반복적 그래프 신경망 아키텍처는 복잡한 동역학을 지닌 실제 전염병 시계열 데이터에 대해 얼마나 잘 일반화되는가?
• RQ2 헝가리 카운티 간 수두 환자 예측에서 주요 통계적 과제는 무엇인가?
• RQ3 다양한 예측 수준에서 이 데이터셋에서 최고의 예측 성능을 보이는 그래프 신경망 아키텍처는 무엇인가?
• RQ4 계절성, 영수치 과잉, 공간 자기상관성 등의 요소가 모델의 일반화 능력과 오차율에 어떤 영향을 미치는가?

주요 결과

• DynGRAE는 10주 예측 수준에서 가장 낮은 평균 제곱오차(0.706 ± 0.004)를 기록하였으며, 유의수준 α = 5%에서 다른 모델들보다 뚜렷한 우위를 보였다.
• 40주 예측 수준에서는 여러 모델이 무작위 예측보다도 성능이 열 劣하므로 장기 예측에서 성능 저하가 발생함을 시사한다.
• GConvLSTM와 GConvGRU는 각각 10주 예측에서 MSE 값 0.741 ± 0.005 및 0.757 ± 0.001을 기록하여 뛰어난 성능을 보였다.
• Evolve GCN-O와 Evolve GCN-H는 10주 예측에서 MSE 값이 각각 0.775 ± 0.007 및 0.766 ± 0.009로 높아 예측 정확도가 낮음을 나타냈다.
• 최상위 및 최하위 모델 간 성능 격차는 장기 예측 수준에서 가장 두드러졌으며, 이는 아키텍처에 대한 민감도를 강조한다.
• 이 데이터셋의 복잡한 특성—계절성, 영수치 과잉, 이 Gauss 분산성—은 현재의 그래프 신경망 설계에 상당한 과제를 제기한다.