[논문 리뷰] Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic

César Quilodrán-Casas, Vinicius Santos Silva외 4명|arXiv (Cornell University)|2021. 02. 03.

COVID-19 epidemiological studies인용 수 5

한 줄 요약

이 논문은 COVID-19의 공간적 확장된 SEIRS 모델의 예측을 가속화하고 향상시키기 위해 이중 방향 LSTM과 데이터 보정 기반 프레임워크, 예측형 GAN 기반 프레임워크를 제안한다. 예측형 GAN은 감염 가능 인구의 예측에서 데이터 보정 이중 방향 LSTM보다 뛰어난 성능을 보이며, 계산 비용을 줄이고 데이터에 종속되지 않는 정확하고 빠른 전염병 모델링 가능성을 입증한다.

ABSTRACT

The outbreak of the coronavirus disease 2019 (COVID-19) has now spread throughout the globe infecting over 150 million people and causing the death of over 3.2 million people. Thus, there is an urgent need to study the dynamics of epidemiological models to gain a better understanding of how such diseases spread. While epidemiological models can be computationally expensive, recent advances in machine learning techniques have given rise to neural networks with the ability to learn and predict complex dynamics at reduced computational costs. Here we introduce two digital twins of a SEIRS model applied to an idealised town. The SEIRS model has been modified to take account of spatial variation and, where possible, the model parameters are based on official virus spreading data from the UK. We compare predictions from a data-corrected Bidirectional Long Short-Term Memory network and a predictive Generative Adversarial Network. The predictions given by these two frameworks are accurate when compared to the original SEIRS model data. Additionally, these frameworks are data-agnostic and could be applied to towns, idealised or real, in the UK or in other countries. Also, more compartments could be included in the SEIRS model, in order to study more realistic epidemiological behaviour.

연구 동기 및 목표

• 전산 비용을 줄이기 위해 전산 비용이 높은 전염병 모델을 위한 빠르고 정확하며 데이터에 종속되지 않는 디지털 트윈 서rogate를 개발하기 위해.
• 공간적 및 시간적 동역학을 포함한 전체 규모의 SEIRS 모델의 높은 전산 부담을 해결하기 위해.
• 데이터 보정 이중 방향 LSTM과 예측형 GAN의 병렬 예측 성능를 비교하기 위해.
• 딥 러닝을 활용한 비침습적 저차원 모델(NIROM)이 바이러스 모델링에 적용 가능한지 탐색하기 위해.
• 전염병 대응에서 제어 조치의 상호작용 탐색과 실시간 데이터 융합을 가능하게 하기 위해.

제안 방법

• 유한 요소 방법을 사용하여 네 개의 병변과 두 개의 인구 집단을 포함하는 수정된 SEIRS 모델을 공간적 변동성으로 확장한다.
• 모델 스냅샷의 차원을 줄이기 위해 주성분 분석(PCA) 기반의 적절한 직교 분해(POD)를 사용한다.
• 저차원 계수에서 학습된 데이터 보정 이중 방향 LSTM(BDLSTM)은 정확도 향상을 위해 최적 선형 무편향 추정기(BLUE)를 활용해 보정을 적용한다.
• 예측형 생성 대립 네트워크(GAN)는 무작위 노이즈에서 실제 미래 상태를 생성하도록 학습되며, 모든 단계에서 진정한 값이 필요 없이 시간적 동역학을 학습한다.
• 두 모델 모두 고정밀도 SEIRS 모델의 스냅샷에서 학습되고, 예측 정확도 평가를 위해 진정한 값과 비교된다.
• 이 프레임워크는 데이터에 종속되지 않도록 설계되어 있으며, 영국 또는 기타 국가의 실제 또는 이상화된 마을에 최소한의 재구성으로 적용 가능하다.

실험 결과

연구 질문

• RQ1 데이터 보정 이중 방향 LSTM은 계산 비용을 줄이면서도 공간적 확장된 SEIRS 모델의 시간적 변화를 효과적으로 예측할 수 있는가?
• RQ2 예측형 GAN은 감염 가능 및 감염자 인구와 같은 주요 전염병 병변의 예측에서 데이터 보정 이중 방향 LSTM보다 어떻게 비교되는가?
• RQ3 비침습적 저차원 모델(NIROM)은 고정밀도 SEIRS 시뮬레이션의 정확성을 현저히 감소된 계산 시간으로 유지할 수 있는가?
• RQ4 생성 대립 네트워크(GAN)는 반복 최적화가 필요 없이도 전염병 모델링에서 신뢰할 수 있고 현실적인 시계열 예측을 효과적으로 생성할 수 있는가?
• RQ5 미래의 전염병 예측을 위해 시간적 모델링(BDLSTM)과 생성 모델링(GAN)을 조합할 때의 상대적 이점은 무엇인가?

주요 결과

• 예측형 GAN은 감염 가능 병변의 예측에서 데이터 보정 이중 방향 LSTM을 능가하며, 생성된 궤적의 일반화 및 현실성 측면에서 뛰어난 성능을 보인다.
• 데이터 보정 이중 방향 LSTM은 BLUE 기반 보정을 통합함으로써 표준 이중 방향 LSTM보다 정확도가 향상되었으며, 하이브리드 데이터 융합 기법의 가치를 입증한다.
• 두 디지털 트윈 프레임워크 모두 원래의 SEIRS 모델과 비교해 정확한 예측을 도출하며, 이는 빠른 서rogate로의 활용 가능성을 검증한다.
• 이 프레임워크는 데이터에 종속되지 않으며, 영국 또는 기타 국가의 실제 또는 이상화된 마을에 최소한의 재구성으로 적용 가능하다.
• 모델 복잡도가 높을수록 속도 향상 잠재력이 증가하므로, 고해상도 또는 다중 병변 SEIRS 모델에 더 큰 활용도를 가진다.
• 본 연구는 저차원 모델링 기법을 바이러스 모델링에 적용한 최초의 사례로, 효율적인 전염병 시뮬레이션 및 예측을 위한 새로운 길을 열어 놓았다.