[논문 리뷰] Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks

Amol Kapoor, Xue Ben외 5명|arXiv (Cornell University)|2020. 07. 06.

Data-Driven Disease Surveillance참고 문헌 34인용 수 148

한 줄 요약

본 연구는 이동 데이터와 함께 시공간 그래프 신경망을 활용하여 미국 카운티의 COVID-19 일일 확진자를 예측하고, RMSLE에서 약 6% 감소 및 피어슨 상관계수의 작은 절대 개선을 달성한다.

ABSTRACT

In this work, we examine a novel forecasting approach for COVID-19 case prediction that uses Graph Neural Networks and mobility data. In contrast to existing time series forecasting models, the proposed approach learns from a single large-scale spatio-temporal graph, where nodes represent the region-level human mobility, spatial edges represent the human mobility based inter-region connectivity, and temporal edges represent node features through time. We evaluate this approach on the US county level COVID-19 dataset, and demonstrate that the rich spatial and temporal information leveraged by the graph neural network allows the model to learn complex dynamics. We show a 6% reduction of RMSLE and an absolute Pearson Correlation improvement from 0.9978 to 0.998 compared to the best performing baseline models. This novel source of information combined with graph based deep learning approaches can be a powerful tool to understand the spread and evolution of COVID-19. We encourage others to further develop a novel modeling paradigm for infectious disease based on GNNs and high resolution mobility data.

연구 동기 및 목표

• 인터-region 이동성을 활용하여 COVID-19 사례 예측 향상을 목표로 한다.
• 공간 및 시간 의존성을 모두 포착하는 통합 시공간 그래프 프레임워크를 제안한다.
• 실시간 이동 데이터셋을 활용하여 카운티 간 연결성과 이동 패턴을 정보로 제공한다.
• 전통적 시계열 베이스라인과 비교하여 예측 성능을 평가한다.

제안 방법

• 이동 흐름에 의해 가중된 공간 간 edges로 100-카운티 시공간 그래프를 구성한다.
• skip-connection이 강화된 스펙트럴 그래프 컨볼루션 네트워크를 사용하여 최대 두 공간 점 hop과 7일의 시간 컨텍스트를 넘나드는 정보를 집계한다.
• 노드 특징을 d-day 이력에서 파생된 초기 시간 임베딩 H0를 MLP로 표현한다.
• 최종 연결 임베딩 Hs에 대해 MLP를 적용하여 미래 사례를 예측한다.
• Adam 옵티마이저를 사용한 MSLE 손실로 학습하며 1월 1일 이후의 데이터로 특정 학습/테스트 분할을 적용한다.
• 베이스라인으로 ARIMA, LSTM, Seq2Seq 및 이동 보강 변형을 포함한 모델들과 비교한다.

실험 결과

연구 질문

• RQ1 inter-region mobility를 활용한 시공간 GNN이 전통적인 시계열 모델보다 COVID-19 사례 예측을 개선할 수 있는가?
• RQ2 이동 데이터의 도입이 미국 카운티 간 예측 성능에 어떤 영향을 미치는가?
• RQ3 모빌리티 신호를 포함하거나 제외할 때 GNN 기반 예측과 표준 베이스라인의 상대 성능은 어떠한가?

주요 결과

• GNN은 RMSLE와 상관도에서 베이스라인을 능가하며, 메트릭 전반에서 최상 또는 차상 점수를 달성한다.
• 이동 데이터를 도입하면 딥 모델의 성능이 향상되는 반면, 이동성 패턴이 변할 때 ARIMA는 성능이 저하될 수 있다.
• 상위 성능의 GNN 변형은 주 평가 행에서 RMSLE 0.0109 및 Corr 0.9980을 달성한다.
• 모빌리티 정보를 반영한 Seq2Seq 및 LSTM은 모빌리티 비포함 대비 이점을 보이지만, GNN이 일관되게 최상으로 나타난다.
• 전반적으로 GNN 접근법은 고해상도 모빌리티 데이터가 질병 확산 역학 학습에 가치가 있음을 보여준다.