[논문 리뷰] Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics

Madhurima Panja, Tanujit Chakraborty외 2명|arXiv (Cornell University)|2022. 06. 21.

COVID-19 epidemiological studies인용 수 4

한 줄 요약

이 논문은 비선형성과 비 stationary성을 가지는 전염병 시계열 예측을 향상시키기 위해 최대 중첩 이산 웨이브렛 변환(MODWT)과 자기회귀 신경망(ARNN)을 조합한 앙상블 웨이브렛 신경망(EWNet)인 Epicasting을 제안한다. 이 모델은 15개의 실제 전염병 데이터셋에서 22개의 최신 통계학적, 기계학습 및 딥러닝 모델을 초월하여 뛰어난 정확도와 이론적 안정성을 입증하며, 신뢰구간이 확보된 예측을 제공한다.

ABSTRACT

Infectious diseases remain among the top contributors to human illness and death worldwide, among which many diseases produce epidemic waves of infection. The unavailability of specific drugs and ready-to-use vaccines to prevent most of these epidemics makes the situation worse. These force public health officials and policymakers to rely on early warning systems generated by reliable and accurate forecasts of epidemics. Accurate forecasts of epidemics can assist stakeholders in tailoring countermeasures, such as vaccination campaigns, staff scheduling, and resource allocation, to the situation at hand, which could translate to reductions in the impact of a disease. Unfortunately, most of these past epidemics exhibit nonlinear and non-stationary characteristics due to their spreading fluctuations based on seasonal-dependent variability and the nature of these epidemics. We analyse a wide variety of epidemic time series datasets using a maximal overlap discrete wavelet transform (MODWT) based autoregressive neural network and call it EWNet model. MODWT techniques effectively characterize non-stationary behavior and seasonal dependencies in the epidemic time series and improve the nonlinear forecasting scheme of the autoregressive neural network in the proposed ensemble wavelet network framework. From a nonlinear time series viewpoint, we explore the asymptotic stationarity of the proposed EWNet model to show the asymptotic behavior of the associated Markov Chain. We also theoretically investigate the effect of learning stability and the choice of hidden neurons in the proposal. From a practical perspective, we compare our proposed EWNet framework with several statistical, machine learning, and deep learning models. Experimental results show that the proposed EWNet is highly competitive compared to the state-of-the-art epidemic forecasting methods.

연구 동기 및 목표

• 계절적 변동성과 복잡한 전파 역학으로 인해 비선형성과 비 stationary성을 가지는 전염병 시계열 예측의 과제를 해결하기 위해.
• 실시간 공중보건 의사결정을 지원하는 강력하고 데이터 기반의 예측 프레임워크를 개발하기 위해.
• 웨이브렛 분해를 신경망과 통합하여 다중 척도 전염병 패턴의 모델링을 향상시키기 위해.
• 신뢰할 수 있는 불확실성 정량화를 제공하는 이론적으로 탄탄하고 계산 효율적인 딥러닝 모델의 대안을 마련하기 위해.
• 정확하고 점진적인 예측을 통해 전염병 대비 조치를 위한 조기 경고 시스템을 구현하기 위해.

제안 방법

• EWNet 프레임워크는 전염병 시계열을 다중 척도 성분으로 분해하기 위해 최대 중첩 이산 웨이브렛 변환(MODWT)을 적용하여 비 stationary성과 계절적 행동을 포착한다.
• 각 웨이브렛 분해 성분은 개별 예측을 위해 자기회귀 신경망(ARNN)에 입력되며, 이는 복잡한 시간적 의존성을 학습할 수 있도록 한다.
• 개별 ARNN의 예측 결과는 집계를 통해 최종 예측으로 재구성되며, 앙상블 웨이브렛 신경망 구조를 형성한다.
• 이론적 분석을 통해 EWNet에 기반한 마르코프 체인의 渐近적 정상성(Asymptotic stationarity)을 확립하고, 학습 안정성 및 최적의 隐藏 뉴런 선택을 조사한다.
• 모델은 RMSE, MASE, MAE, sMAPE를 성능 지표로 사용하여 훈련되며, 실시간 배포를 위해 점진적 또는 배치 재학습이 가능하다.
• 하이퍼파rameter 선택은 이론적 분석에 기반하여, 딥러닝 기준선 대비 런타임 복잡도를 감소시킨다.

실험 결과

연구 질문

• RQ1 웨이브렛 기반 분해는 비선형성과 비 stationary성을 가지는 전염병 시계열의 예측 정확도를 향상시킬 수 있는가?
• RQ2 MODWT와 ARNN의 통합은 단독 모델 대비 예측 성능을 어떻게 향상시키는가?
• RQ3 제안된 EWNet 프레임워크의 이론적 안정성과 수렴 행동은 어떠한가?
• RQ4 EWNet은 다양한 전염병 데이터셋에서 22개의 통계학적, 기계학습 및 딥러닝 모델과 비교해 성능가능성은 어떠한가?
• RQ5 EWNet 모델은 신뢰할 수 있는 예측 구간을 제공하는 실시간 점진적 예측을 지원할 수 있는가?

주요 결과

• EWNet 모델은 모든 15개의 전염병 데이터셋에서 22개의 기준 모델을 초월하여 RMSE, MASE, MAE, sMAPE 측면에서 뛰어난 성능을 보였다.
• 이 모델은 인플루엔자, 뎅기열, B형 간염, 말라리아 등 다양한 질병에 대해 다양한 지리적 지역과 데이터 주기에서 강한 일반화 능력을 입증하였다.
• 이론적 분석을 통해 EWNet의 기반이 되는 마르코프 체인의 渐近적 정상성이 확인되어 장기 예측의 신뢰성을 뒷받침하였다.
• 합리적인 하이퍼파rameter 선택 덕분에 학습 안정성이 향상되고 계산 복잡도가 감소하여 실시간 배포가 가능해졌다.
• MODWT와 ARNN의 통합은 특히 계절적 전파 패턴과 변동성이 큰 전파 패턴을 포착하는 데 있어 다중 척도 전염병 역학의 모델링을 크게 향상시켰다.
• 모델는 점진적 재학습을 통해 조기 경고 시스템으로서의 구현이 가능하며, 새로운 유병률 데이터에 대응하는 적응형 예측을 지원한다.