[논문 리뷰] DeepGLEAM: A hybrid mechanistic and deep learning model for COVID-19 forecasting

Dongxia Wu, Liyao Gao외 5명|arXiv (Cornell University)|2021. 02. 12.

Machine Learning in Healthcare참고 문헌 42인용 수 19

한 줄 요약

DeepGLEAM은 확산 컨volution 순환 신경망(DCRNN)을 사용하는 딥러닝 보정 모듈을 기계적 GLEAM 전염병 시뮬레이터와 융합한 하이브리드 모델로, 단기 코로나19 사망자 수 예측을 크게 향상시킨다. 이는 점 추정과 불확실성 정량화에서 단독 GLEAM, 딥러닝 모델, 벡터 자기회귀 모델을 모두 능가하며, RMSE와 MAE에서 가장 우수한 성능을 보이며 신뢰구간을 신뢰성 있게 제공하는 SG-MCMC가 최고의 전반적 성능을 보였다.

ABSTRACT

We introduce DeepGLEAM, a hybrid model for COVID-19 forecasting. DeepGLEAM combines a mechanistic stochastic simulation model GLEAM with deep learning. It uses deep learning to learn the correction terms from GLEAM, which leads to improved performance. We further integrate various uncertainty quantification methods to generate confidence intervals. We demonstrate DeepGLEAM on real-world COVID-19 mortality forecasting tasks.

연구 동기 및 목표

• 순수 데이터 기반 딥러닝 모델이 전염병 예측에서 해석 가능성과 물리적 일관성이 부족한 점을 해결하기 위해.
• 관측된 감시 데이터를 이용해 딥러닝으로 보정 항목을 학습함으로써 GLEAM과 같은 기계적 모델의 편향을 극복하기 위해.
• 하이브리드 모델을 통해 주 및 국가 수준에서 코로나19 사망자 수의 단기 예측 정확도를 향상시키기 위해.
• 다양한 불확실성 정량화 방법을 통합하여 공중보건 의사결정에 활용 가능한 신뢰할 수 있는 예측 구간을 생성하기 위해.
• 기계적 모델과 딥러닝을 융합하면 별개로 사용할 경우보다 더 우수한 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 모델은 전 세계 3,200개의 하위집단을 대상으로 공간적으로 해상도가 높은 전염병 역학을 확률적으로 시뮬레이션하는 기계적 기반으로 Global Epidemic and Mobility 모델(GLEAM)을 사용한다.
• 확산 컨볼루션 순환 신경망(DCRNN)은 GLEAM의 예측을 실제 관측된 사망자 수 데이터에 맞추기 위해 보정 항목을 학습한다.
• DCRNN은 인간 이동 데이터에서 유도된 그래프 기반의 인접 행렬을 사용하여 시공간적 의존성을 모델링하며, 지역 간 비정규적인 공간 상관관계를 포착한다.
• 하이브리드 모델인 DeepGLEAM은 GLEAM의 시뮬레이션 출력과 딥러닝 보정을 조합하여 예측 정확도를 향상시킨다.
• 신뢰구간 생성을 위해 부트스트래핑, 퍼센티루 회귀, MIS 회귀, MC 드롭아웃, SG-MCMC와 같은 여러 불확실성 정량화 방법을 평가한다.
• SG-MCMC는 다양한 예측 수준에서 RMSE, MAE 및 커버리지 신뢰성에서 뛰어난 성능을 보여 최적의 방법으로 선정되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 GLEAM과 같은 기계적 전염병 시뮬레이터의 체계적 편향을 효과적으로 보정하여 예측 정확도를 향상시킬 수 있는가?
• RQ2 다양한 불확실성 정량화 기법이 하이브리드 딥러닝 및 기계적 모델에 적용되었을 때 신뢰성과 커버리지 측면에서 어떻게 비교되는가?
• RQ3 딥러닝을 기계적 모델과 융합함으로써 단기 사망자 수 예측 성능이 단독 딥러닝 또는 기계적 모델보다 향상되는가?
• RQ4 어느 불확실성 정량화 방법이 다양한 예측 수준에서 가장 강력하고 잘 校정된 예측 구간을 제공하는가?
• RQ5 다양한 전염병 경로를 보이는 미국 주들에 대해 하이브리드 DeepGLEAM 모델이 효과적으로 일반화되는가?

주요 결과

• DeepGLEAM은 1~3주 후 예측에서 단독 GLEAM 모델을 크게 능가하며, 모든 예측 수준에서 낮은 RMSE와 MAE를 기록한다.
• SG-MCMC를 사용할 경우 1주일 수준에서 최저의 RMSE(58.30)와 MAE(29.72)를 기록한다.
• SG-MCMC는 평균 예측 정확도가 가장 높고 95% 예측 구간의 커버리지가 가장 우수하며, MIS 값이 563.77로 부트스트래핑 및 MC 드롭아웃을 능가한다.
• 일부 주 수준 사례(텍사스, 조지아)에서는 퍼센티루 회귀가 SG-MCMC보다 더 안정적인 신뢰구간을 제공하여 커버리지가 더 우수함에도 불구하고 약간의 오차가 더 높게 나타났다.
• 국가 수준에서는 SG-MCMC가 평균 예측 정확도와 신뢰구간의 안정성 측면에서 퍼센티루 회귀를 모두 능가하여 전반적인 성능이 뛰어나다는 것을 입증했다.
• 모델은 41개 미국 주에서 뛰어난 성능을 유지하며, 훈련 기간 이후에도 지속적인 정확도 향상을 보였고, 주 32주 이후의 예측에서 이를 확인할 수 있었다.