[논문 리뷰] Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models

Seid Miad Zandavi, Taha Hossein Rashidi외 1명|arXiv (Cornell University)|2020. 05. 24.

COVID-19 epidemiological studies참고 문헌 33인용 수 15

한 줄 요약

이 논문은 지역 정책, 공적 행동 및 의료 역량을 통합하여 제어 시나리오 하에서 코로나19 전파를 예측하기 위한 하이브리드 LSTM-동적 행동 모델을 제안한다. 이 모델은 10개 국가에서 표준 LSTM보다 루트 평균 제곱 오차(RMSE)를 크게 감소시켜 사례 및 사망자 예측에서 성능을 뛰어나게 하며, 특히 변동성이 크거나 데이터가 부족한 지역에서 최대 90%까지 오차율을 낮춘다.

ABSTRACT

To accurately predict the regional spread of Covid-19 infection, this study proposes a novel hybrid model which combines a Long short-term memory (LSTM) artificial recurrent neural network with dynamic behavioral models. Several factors and control strategies affect the virus spread, and the uncertainty arisen from confounding variables underlying the spread of the Covid-19 infection is substantial. The proposed model considers the effect of multiple factors to enhance the accuracy in predicting the number of cases and deaths across the top ten most-affected countries and Australia. The results show that the proposed model closely replicates test data. It not only provides accurate predictions but also estimates the daily behavior of the system under uncertainty. The hybrid model outperforms the LSTM model accounting for limited available data. The parameters of the hybrid models were optimized using a genetic algorithm for each country to improve the prediction power while considering regional properties. Since the proposed model can accurately predict Covid-19 spread under consideration of containment policies, is capable of being used for policy assessment, planning and decision-making.

연구 동기 및 목표

• 정책 변화, 행동, 보고 지연 등의 혼란 변수로 인해 발생하는 불확실성 속에서 코로나19 전파를 예측하는 데 도전하는 것.
• 공동 행동 모델을 딥러닝과 통합하여 데이터가 제한적이거나 노이즈가 많은 지역의 예측 정확도를 향상시키는 것.
• 실제 정책 및 행동 역학을 반영한 지역 특화 사례 및 사망자 예측을 가능하게 하는 것.
• 다양한 행동 및 시스템 조건 하에서 간병 조치의 영향을 시뮬레이션하여 공중보건 정책 수립을 지원하는 것.

제안 방법

• 하이브리드 모델은 장기 단기 기억(LSTM) 네트워크와 세 가지 동적 모듈을 조합한다: 작업 모델(공적 행동), 시설 모델(의료 인프라), 동적 운동 모델(사례/사망자 추세 예측).
• 동적 운동 모델은 사례 및 사망자 데이터의 시간적 패턴을 학습하면서도 확률적 변동성과 불확실성에 적응한다.
• 지역 전파, 정책, 의료 역량의 차이를 반영하기 위해 각 국가별로 유전 알고리즘을 사용해 모델 파라미터를 최적화하였다.
• ECDC의 데이터에서 31월 12일부터 4월 19일까지의 90%를 학습 데이터로, 나머지 10%를 테스트 데이터로 사용하여 상위 10개 영향 국가 및 호주에서 성능을 평가하였다.
• 접촉 빈도, 검사, 진단, 위험 인식의 변화를 반영한 피드백 메커니즘이 통합되었다.
• 사례 및 사망자 예측의 정확도 평가를 위해 RMSE를 사용하였으며, 하이브리드 모델과 단독 LSTM 간의 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 다양한 국가에서 제어 시나리오 하에서 하이브리드 LSTM 및 동적 행동 모델이 코로나19 사례 및 사망자를 얼마나 정확하게 예측할 수 있는가?
• RQ2 행동 및 의료 시스템 역학을 통합할 경우 표준 LSTM 모델에 비해 예측의 견고성이 얼마나 향상되는가?
• RQ3 지역 정책 및 행동의 차이가 모델 성능에 미치는 영향은 무엇이며, 모델은 이러한 변동성에 적응할 수 있는가?
• RQ4 특히 변동성이 크거나 데이터 노이즈가 많은 기간 동안 불확실성 속에서 모델이 안정적으로 추세를 예측할 수 있는가?
• RQ5 유전 알고리즘을 통한 파라미터 최적화가 다양한 국가적 맥락에서 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 하이브리드 모델은 단일 LSTM 대비 일일 사례의 RMSE를 최대 92%까지 감소시켰으며, 미국의 경우 7,934에서 623으로, 호주의 경우 37에서 15로 감소하였다.
• 사망자 예측에서는 호주에서 RMSE가 1로, 러시아에서 6으로, 각각 LSTM 기준선의 3과 23보다 훨씬 낮게 기록되었다.
• 모델은 스페인, 프랑스, 독일, 중국, 호주가 현재의 제어 조치를 유지할 경우 20일 이내에 일일 사례가 거의 0에 수렴할 것임을 정확히 예측하였다.
• 반면, LSTM 모델은 호주와 프랑스에서 실패하여 음수의 사례 값을 산출하고 시스템이 정지하는 등 데이터 노이즈에 취약함을 드러내었다.
• 모델는 큰 변동성에 민감함을 보이며, 안정적인 추세가 신뢰할 수 있는 예측을 위해 필수적임을 시사한다.
• 하이브리드 모델은 연구된 모든 국가에서 LSTM을 초월했으며, 이란과 영국처럼 불확실성 또는 데이터 부족이 심한 지역에서도 특히 뛰어난 성능을 보였다.