[논문 리뷰] Fast and Accurate Forecasting of COVID-19 Deaths Using the SIkJ$α$ Model

Ajitesh Srivastava, Tianjian Xu외 1명|arXiv (Cornell University)|2020. 07. 10.

COVID-19 epidemiological studies참고 문헌 15인용 수 18

한 줄 요약

이 논문은 복잡한 전염병 역학을 선형 방정식계로 변환함으로써 빠르고 정확한 코로나19 사망자 수 예측을 위한 SIkJα 모델 확장 기법을 제안한다. 이는 선형 회귀 기반 파라미터 학습을 통해 효율적인 학습을 가능하게 하며, 대부분의 평가 기간 동안 미국 질병통제예방센터(CDC)가 사용하는 일곱 가지 모델을 능가하는 루트 평균 제곱 오차 성능을 달성한다. 이는 보편적인 하드웨어에서도 미국의 모든 주와 카운티, 184개 국가에서 밀리초 이내의 실행 시간을 유지한다.

ABSTRACT

Forecasting the effect of COVID-19 is essential to design policies that may prepare us to handle the pandemic. Many methods have already been proposed, particularly, to forecast reported cases and deaths at country-level and state-level. Many of these methods are based on traditional epidemiological model which rely on simulations or Bayesian inference to simultaneously learn many parameters at a time. This makes them prone to over-fitting and slow execution. We propose an extension to our model SIkJ$α$ to forecast deaths and show that it can consider the effect of many complexities of the epidemic process and yet be simplified to a few parameters that are learned using fast linear regressions. We also present an evaluation of our method against seven approaches currently being used by the CDC, based on their two weeks forecast at various times during the pandemic. We demonstrate that our method achieves better root mean squared error compared to these seven approaches during majority of the evaluation period. Further, on a 2 core desktop machine, our approach takes only 3.18s to tune hyper-parameters, learn parameters and generate 100 days of forecasts of reported cases and deaths for all the states in the US. The total execution time for 184 countries is 11.83s and for all the US counties ($>$ 3000) is 101.03s.

연구 동기 및 목표

• 국가, 주, 카운티 수준에서 빠르고 확장 가능하며 정확한 코로나19 사망자 예측 방법을 개발하기 위해.
• 기존 전염병 모델의 한계를 해결하기 위해, 느린 수치 적분이나 베이지안 추론에 의존하는 모델은 과적합 및 높은 계산 비용에 취약하다.
• 보고 지연, 무증상 전파, 면역, 이동성 등의 복잡한 전염병 역학을 단순화된 선형화 가능한 프레임워크에 통합하기 위해.
• 모든 184개 국가에 대해 훈련 및 추론 시간을 12초 이내, 모든 미국 카운티에 대해 102초 이내로 줄여 정책 결정에 즉각적인 예측을 가능하게 하기 위해.
• 예측 정확도 향상과 오픈소스 재현 가능성을 제공하는 기존 CDC 예측 모델의 강력한 대안을 제공하기 위해.

제안 방법

• SIkJα 모델은 SIR 프레임워크를 확장하여 감염 기간 동안의 변화하는 전파율을 모델링하기 위해 k개의 감염 하위상태를 도입한다. 각 하위상태 i는 전파율 βi를 가진다.
• 보고 지연은 고정된 지연 λ를 통해 모델링되며, 보고된 사례 R_t는 감염자 I_{t−λ}로부터 확률 γ로 생성된다.
• 이동성 영향은 유역 간 이동 패턴과 지역 전파율에 기반해 감염을 지역 q에서 p로 이동시키는 유량 행렬 F(q,p)를 통해 모델링된다.
• 비운영자(면역 또는 격리된 자)는 감염 가능 인구와 감염자 구획에서 제외된 비율 ρ로 모델링된다.
• 핵심 혁신은 비선형 시스템을 두 개의 순차적 선형 회귀 문제로 변환함으로써, 즉각적이고 안정적이며 확장 가능한 학습을 가능하게 한다.
• 파라미터 학습은 누적 감염 및 사망 데이터에 대한 선형 회귀를 통해 수행되며, 반복 최적화를 피하고 과적합 위험을 감소시킨다.

실험 결과

연구 질문

• RQ1 단순화되고 선형화된 모델이 보고 지연, 무증상 전파, 이동성과 같은 복잡한 전염병 역학을 유지하면서도 높은 예측 정확도를 달성할 수 있는가?
• RQ2 기존의 미분 방정식 해법기나 베이지안 추론을 선형 회귀로 대체함으로써 사망자 예측의 속도와 정확도가 향상되는가?
• RQ3 팬데믹 기간 동안 미국 주 수준에서 SIkJα 모델은 CDC가 사용하는 일곱 가지 예측 방법과 비교해 루트 평균 제곱 오차 측면에서 어떻게 성과를 내는가?
• RQ4 자료 불일치와 보고 충돌은 모델 성능에 어떤 정도의 영향을 미치며, 모델은 이러한 노이즈를 어떻게 처리하는가?
• RQ5 최소한의 계산 오버헤드로 미국 카운티 전체와 184개 국가에 대해 사망자 예측을 효율적으로 확장할 수 있는가?

주요 결과

• 평가 기간의 대부분(2020년 5월 10일 ~ 6월 28일) 동안 SIkJα 모델은 CDC가 사용하는 일곱 가지 예측 모델 전부를 루트 평균 제곱 오차 측면에서 능가했다.
• 2코어 데스크톱 기기에서, 미국의 모든 주에 대해 초기 설정 조정, 파라미터 학습, 100일 예측을 모두 3.18초 만에 완료했다.
• 184개 국가의 전체 예측에 대한 총 실행 시간은 11.83초였으며, 미국 카운티(3000개 이상)에 대한 예측은 101.03초였다.
• 자료 불일치에 대해 뛰어난 강건성을 보였으며, 보고 충돌이 없는 주들에 대해 각 방법 간 상대 오차가 수렴하는 경향을 보였다.
• 주간 RMSE 평가 결과는 일관된 성능을 보였으며, 일부 예측 윈도우에서 YYG_ParamSearch 및 UCLA_SuEIR와 같은 최상위 기준 모델에 비해 정확도가 약간 낮아진 경우가 있었다.
• 모델은 동적 복제 수와 모델 기반 사망률을 주간 단위로 업데이트하며 실시간으로 계산할 수 있으며, 이는 인터랙티브 웹 포털을 통해 공개되어 있다.