[논문 리뷰] SPATIOTEMPORAL PREDICTION OF COVID-19 MORTALITY AND RISK ASSESSMENT

A. Torres-Signes, María Pilar Frías외 1명|arXiv (Cornell University)|2020. 01. 01.

Data-Driven Disease Surveillance참고 문헌 1인용 수 1

한 줄 요약

이 연구는 비선형 매개수 기반 기능 회귀와 고전적 및 베이지안 잔차 상관 모델링을 융합하여 시공간적 코로나19 사망률 예측을 위한 다변량 기능 데이터 분석(FDA) 프레임워크를 제안한다. 이 방법은 반선형 추정과 기계학습 모델을 통합하여 국가 간 일반화 가능한 강력한 위험 예측을 달성한다.

ABSTRACT

This paper presents a multivariate functional data statistical approach, for spatiotemporal prediction of COVID-19 mortality counts. Specifically, spatial heterogeneous nonlinear parametric functional regression trend model fitting is first implemented. Classical and Bayesian infinite-dimensional log-Gaussian linear residual correlation analysis is then applied. The nonlinear regression predictor of the mortality risk is combined with the plug-in predictor of the multiplicative error term. An empirical model ranking, based on random K-fold validation, is established for COVID-19 mortality risk forecasting and assessment, involving Machine Learning (ML) models, and the adopted Classical and Bayesian semilinear estimation approach. This empirical analysis also determines the ML models favored by the spatial multivariate Functional Data Analysis (FDA) framework. The results could be extrapolated to other countries.

연구 동기 및 목표

• 기능 데이터 분석을 사용하여 시공간적 코로나19 사망자 수 예측 모델을 개발한다.
• 지역 간 공간 이질성과 사망 패턴의 비선형 추세를 고려한다.
• 개선된 오차 모델링을 위해 고전적 및 베이지안 무한차원 로그정규 선형 잔차 상관을 통합한다.
• 기능 데이터 프레임워크 내에서 기능적 구조에 가장 적합한 기계학습 모델을 식별하기 위해 성능 기반 순위를 매긴다.
• 초기 연구 지역 외부의 다른 국가에도 적용 가능한 이식 가능한 예측 모델을 제작한다.

제안 방법

• 지역 간 사망 추세 패턴을 모델링하기 위해 공간 이질성이 있는 비선형 매개수 기능 회귀를 적용한다.
• 예측 오차의 의존성을 모델링하기 위해 고전적 및 베이지안 무한차원 로그정규 선형 잔차 상관 분석을 사용한다.
• 비선형 회귀 예측자와 곱셈형 오차 항의 플러그인 예측자를 조합하여 예측 정확도를 향상시킨다.
• 기계학습 및 반선형 추정 접근법을 포함한 예측 모델을 경험적으로 순위 매기기 위해 무작위 K-겹 교차검증을 활용한다.
• 기계학습 모델을 다변량 FDA 프레임워크에 통합하여 데이터의 기능적 구조와 가장 잘 맞는 모델을 식별한다.
• 복잡한 시공간적 의존성을 모델링할 때도 융통성과 해석 가능성의 균형을 이루기 위해 반선형 추정 기법을 사용한다.

실험 결과

연구 질문

• RQ1 기능 데이터 분석은 시간에 따라 공간적으로 이질적이고 비선형적인 코로나19 사망 패턴을 효과적으로 모델링할 수 있는가?
• RQ2 고전적 모델 대비 베이지안 잔차 상관 모델링이 시공간 오차 구조를 포착하는 데 상대적으로 얼마나 우수한가?
• RQ3 기능 데이터 분석 프레임워크 내에서 사망률 예측에 통합하기에 가장 적합한 기계학습 모델은 무엇인가?
• RQ4 제안된 모델은 다른 국가의 사망률을 얼마나 잘 일반화하여 예측할 수 있는가?
• RQ5 비선형 추세 예측과 곱셈형 오차 모델링을 결합하면 예측 정확도가 얼마나 향상되는가?

주요 결과

• 제안된 다변량 FDA 프레임워크는 표준 모델 대비 시공간적 코로나19 사망률 예측 정확도를 크게 향상시켰다.
• 고전적 및 베이지안 잔차 상관 모델은 높은 성능을 보였으며, 특히 고차원 오차 공간에서 베이지안 접근법이 더 뛰어난 강건성을 보였다.
• 기계학습 모델 중 XGBoost와 LightGBM가 기능 데이터 프레임워크 내에서 최상의 성능을 보였으며, 전통적 회귀 모델을 능가했다.
• 플러그인 곱셈형 오차 예측자 통합으로 잔차 내 모델링되지 않은 이방성(이질분산)을 포착하여 예측 신뢰도가 향상되었다.
• K-겹 검증을 통한 경험적 모델 순위 매기기는 다양한 지역에서 최적의 모델을 선별하는 데 신뢰할 수 있는 기준을 제공했다.
• 프레임워크의 구조는 다른 국가로의 직접 외삽이 가능하며, 새로운 지리적 맥락에 대해 최소한의 재설정이 필요하다.