[논문 리뷰] Dynamic Bayesian Influenza Forecasting in the United States with Hierarchical Discrepancy

Dave Osthus, James Gattiker외 2명|arXiv (Cornell University)|2017. 08. 30.

Influenza Virus Research Studies참고 문헌 18인용 수 15

한 줄 요약

이 논문은 이전 인플루엔자 시즌에서의 체계적 오차를 빌려다 써서 정확도를 향상시키기 위해 계층적 오차 모델링을 통합한 동적 베이지안 인플루엔자 예측 모델을 소개한다. 이 모델은 CDC의 2015–2016 예측 도전 대회에서 모든 경쟁 모델을 압도하며 디지털 감시 데이터를 사용하지 않고도 최고의 종합 점수를 기록했고, 여러 예측 목표에서 1위를 기록했다.

ABSTRACT

Timely and accurate forecasts of seasonal influenza would assist public health decision-makers in planning intervention strategies, efficiently allocating resources, and possibly saving lives. For these reasons, influenza forecasts are consequential. Producing timely and accurate influenza forecasts, however, have proven challenging due to noisy and limited data, an incomplete understanding of the disease transmission process, and the mismatch between the disease transmission process and the data-generating process. In this paper, we introduce a dynamic Bayesian (DB) flu forecasting model that exploits model discrepancy through a hierarchical model. The DB model allows forecasts of partially observed flu seasons to borrow discrepancy information from previously observed flu seasons. We compare the DB model to all models that competed in the CDC's 2015--2016 flu forecasting challenge. The DB model outperformed all models, indicating the DB model is a leading influenza forecasting model.

연구 동기 및 목표

• 모델-자료 불일치와 노이즈가 많고 제한된 감시 데이터로 인한 정확도 저하 문제를 해결하기 위해.
• 관측 노이즈로만 설명할 수 없는, 기계적 전파 모델과 실제 자료 간의 체계적 오차를 고려하기 위해.
• 부분적으로 관측된 시즌에 대한 예측을 향상시키기 위해 이전 시즌의 역사적 오차를 활용하는 예측 프레임워크를 개발하기 위해.
• 모델 오차의 개선된 통계적 모델링이 디지털 감시 데이터에 의존하는 모델을 능가할 수 있음을 입증하기 위해.
• 시기적이고 정확한 예측을 통해 공중보건 계획을 향상시키는 데이터 융합 기반의 강력한 예측 시스템을 제공하기 위해.

제안 방법

• 기계적 SIR 보행 모델을 확률적 프레임워크 내에 통합한 동적 베이지안(DB) 모델을 수립한다.
• 기계적 모델과 관측된 인플루엔자 자료 간의 체계적 이탈을 포착하기 위해 계층적 오차 모델을 도입한다.
• 상태 전이를 수치적으로 해결하기 위해 4차 룬게-쿠타 근사법을 사용한다.
• 전염 및 회복률, 관측 노이즈, 오차 매개변수를 동시에 추정하기 위해 베이지안 추론을 적용한다.
• 이전에 관측된 인플루엔자 시즌 간 오차 정보를 공유하기 위해 계층적 사전 분포 구조를 활용하여 예측의 강건성을 향상시킨다.
• 디지털 감시 데이터를 포함시키지 않고도 CDC의 주간 인플루엔자 유사 증상(wILI) 자료를 사용해 모델을 校정한다.

실험 결과

연구 질문

• RQ1 체계적 모델 오차를 명시적으로 모델링하는 동적 베이지안 모델이 기존 방법에 비해 인플루엔자 예측 정확도를 향상시킬 수 있는가?
• RQ2 이전 시즌의 오차 정보를 빌려다 써서 현재 진행 중인 시즌의 예측 성능이 어떻게 향상되는가?
• RQ3 구글 검색 트렌드와 같은 디지털 감시 데이터에 의존하지 않고도 얼마나 높은 정확도를 달성할 수 있는가?
• RQ4 오차 모델링과 자료 증강 간의 예측 성능 기여도는 각각 어느 정도인가?
• RQ5 오차 모델링의 계층적 구조가 다양한 인플루엔자 시즌에 걸쳐 강건성과 일반화 능력을 어떻게 향상시키는가?

주요 결과

• 계층적 오차 모델링을 통합한 동적 베이지안 모델은 CDC의 2015–2016 인플루엔자 예측 도전 대회에서 최고의 종합 점수를 기록했다.
• 이 모델은 피크 시기와 피크 강도를 포함한 여러 예측 목표에서 유일하게 1위를 기록했다.
• 모든 예측 목표에서 4위 이내로 랭크된 바 없이 일관된 높은 성능을 보였다.
• 디지털 감시 데이터를 사용하지 않았음에도 불구하고, 그러한 자료를 포함한 몇몇 경쟁 모델을 능가했다.
• 계층적 오차 모델은 이전 시즌의 체계적 모델 오차를 효과적으로 포착하고 활용하여 예측 신뢰도를 향상시켰다.
• 결과적으로, 특히 오차 모델링을 개선하는 통계적 모델 구조 정교화가 디지털 신호를 통한 자료 증강보다 더 큰 예측 성과 향상을 가져올 수 있음을 시사한다.