[논문 리뷰] SIRNet: Understanding Social Distancing Measures with Hybrid Neural Network Model for COVID-19 Infectious Spread

Nicholas Soures, David R. Chambers외 6명|arXiv (Cornell University)|2020. 04. 22.

COVID-19 epidemiological studies참고 문헌 32인용 수 33

한 줄 요약

SIRNet은 SEIR 전염 모델과 LSTM 기반 예측 네트워크를 결합한 하이브리드 신경망으로, 이동성 및 지역 인구 데이터를 사용하여 COVID-19 확산을 예측하고 사회적 거리두기 효과에 대한 시나리오 분석을 가능하게 합니다.

ABSTRACT

The SARS-CoV-2 infectious outbreak has rapidly spread across the globe and precipitated varying policies to effectuate physical distancing to ameliorate its impact. In this study, we propose a new hybrid machine learning model, SIRNet, for forecasting the spread of the COVID-19 pandemic that couples with the epidemiological models. We use categorized spatiotemporally explicit cellphone mobility data as surrogate markers for physical distancing, along with population weighted density and other local data points. We demonstrate at varying geographical granularity that the spectrum of physical distancing options currently being discussed among policy leaders have epidemiologically significant differences in consequences, ranging from viral extinction to near complete population prevalence. The current mobility inflection points vary across geographical regions. Experimental results from SIRNet establish preliminary bounds on such localized mobility that asymptotically induce containment. The model can support in studying non-pharmacological interventions and approaches that minimize societal collateral damage and control mechanisms for an extended period of time.

연구 동기 및 목표

• 제한된 검사 및 보고 하에서 데이터 기반 학습과 전염 동역학을 통합하여 COVID-19 예측 정확성을 높이고자 합니다.
• 이동성 및 인구 특성을 SEIR 매개변수로 매핑하는 하이브리드 모델을 개발하여 지역 특화 예측을 수행합니다.
• 이동성/거리두기 정책에 대한 시나리오 분석을 가능하게 하여 잠재적 발발 억제 또는 재확산을 이해합니다.
• 다양한 지리적 세분성과 데이터 소스에 적응할 수 있는 엔드 투 엔드 프레임워크를 제공합니다.

제안 방법

• 순환 신경망과 SEIR 셀을 결합한 하이브리드 예측 네트워크(SIRNet)를 구성합니다.
• 이동성 및 인구 데이터로 학습된 베타(접촉률)와 감마(회복률)에 대한 학습 가능한 매개변수로 SEIR 동역학을 표현합니다.
• beta(t)를 이동성 특징의 비선형 함수로 모델링합니다: beta(t) = ReLU(W · x)^p, 이동성 영향의 유연한 스케일링을 허용합니다.
• 국가, 주, 카운티 수준의 이동성 데이터를 포함하여 지역별 접촉률을 이끕니다.
• 모듈 입력에서 구획별 동역학 및 결과 사례 수를 매핑하기 위해 모델을 엔드투엔드로 학습합니다.
• 현실성과 해석 가능성을 위해 데이터 기반 매개변수 학습과 함께 고전 SEIR 방정식에 기반합니다.

실험 결과

연구 질문

• RQ1 이동성 데이터를 사용하여 시간에 따라 변하는 접촉률 beta를 정확하게 학습하고 COVID-19 사례 궤적을 예측할 수 있습니까?
• RQ2 다양한 이동성/거리두기 시나리오가 지역별 유효 재생산수와 최대 사례 수에 어떤 영향을 줍니까?
• RQ3 SIRNet 프레임워크가 지역 데이터에 잘 맞고 정책 계획에 유용한 시나리오 예측을 제공합니까?

주요 결과

• SIRNet은 이동성 정보를 이용해 SEIR 접촉률을 결정하고 지역 사례 수에 맞출 수 있습니다.
• 지속적인 격리 수준의 이동성은 낮은 사례 수를 예측하고, 더 높은 이동성은 지역에 따라 잠재적 피크를 초래합니다.
• 명목 수준의 약 0.7쯤 되는 이동성은 관리되지 않는 발발을 촉발할 수 있고, 테스트된 시나리오에서 0.5 미만의 이동성은 지역적 소멸로 향합니다.
• 모델은 제한 완화가 국가 및 카운티의 활성 및 총 사례에 어떻게 영향을 미치는지 시나리오 기반 예측을 제공합니다.
• SIRNet은 지역 연령 인구 통계 및 입원율을 바탕으로 예측 활성 사례에 대한 연령대별 입원율을 추정할 수 있습니다.