[논문 리뷰] Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models

Arko Barman|arXiv (Cornell University)|2020. 06. 05.

COVID-19 diagnosis using AI참고 문헌 15인용 수 10

한 줄 요약

이 연구는 시간 시리즈 데이터를 사용하여 일일 누적 코로나19 확진자 수를 예측하기 위해 장기 단기 기억(LSTM) 모델과 ARIMA 모델을 비교한다. 연구에서는 새로운 k기간 평가 지표인 k일 평균 절대 퍼센트 오차(kMAPE)와 k일 중앙 대칭 정확도(kMdSA)를 도입하였으며, 두 모델이 유사한 성능을 보였고, LSTMs의 kMAPE는 0.05%로 ARIMA의 0.07%보다 略적으로 뛰어나, 공중보건 정책 수립을 위한 강력한 예측 정확도를 입증한다.

ABSTRACT

Coronavirus disease 2019 (COVID-19) is a global public health crisis that has been declared a pandemic by World Health Organization. Forecasting country-wise COVID-19 cases is necessary to help policymakers and healthcare providers prepare for the future. This study explores the performance of several Long Short-Term Memory (LSTM) models and Auto-Regressive Integrated Moving Average (ARIMA) model in forecasting the number of confirmed COVID-19 cases. Time series of daily cumulative COVID-19 cases were used for generating 1-day, 3-day, and 5-day forecasts using several LSTM models and ARIMA. Two novel k-period performance metrics - k-day Mean Absolute Percentage Error (kMAPE) and k-day Median Symmetric Accuracy (kMdSA) - were developed for evaluating the performance of the models in forecasting time series values for multiple days. Errors in prediction using kMAPE and kMdSA for LSTM models were both as low as 0.05%, while those for ARIMA were 0.07% and 0.06% respectively. LSTM models slightly underestimated while ARIMA slightly overestimated the numbers in the forecasts. The performance of LSTM models is comparable to ARIMA in forecasting COVID-19 cases. While ARIMA requires longer sequences, LSTMs can perform reasonably well with sequence sizes as small as 3. However, LSTMs require a large number of training samples. Further, the development of k-period performance metrics proposed is likely to be useful for performance evaluation of time series models in predicting multiple periods. Based on the k-period performance metrics proposed, both LSTMs and ARIMA are useful for time series analysis and forecasting for COVID-19.

연구 동기 및 목표

• 일일 누적 코로나19 확진자 수 데이터에 대한 LSTM 및 ARIMA 모델의 예측 성능을 평가하는 것.
• 다일 예측을 위한 새로운 k기간 평가 지표인 kMAPE와 kMdSA를 개발하고 적용하는 것.
• 특히 짧은 학습 시퀀스에 대해 모델의 강인성을 평가하는 것.
• 정확한 단기 확진자 예측을 통해 공중보건 정책 입안자들에게 실질적인 통찰을 제공하는 것.

제안 방법

• LSTM 및 ARIMA 모델의 입력으로 일일 누적 확진자 수의 시계열 데이터를 사용하였다.
• LSTM 모델은 3일 이상의 짧은 시퀀스를 포함하여 다양한 길이의 시퀀스로 훈련하여 제한된 데이터에서의 성능을 평가하였다.
• ARIMA 모델은 AIC 및 ACF/PACF 분석 기반으로 표준 시계열 식별 및 선택 절차를 사용하여 피팅되었다.
• kMAPE 및 kMdSA 지표는 k일 연속된 일자에 대한 예측 정확도 평가를 위해 도입되었으며, 다단계 평가를 향상시켰다.
• 다양한 국가에서 1일, 3일, 5일 예측을 통해 모델 성능을 평가하였다.
• 하이퍼파rameter 튜닝 및 교차 검증을 적용하여 LSTM 아키텍처와 ARIMA 차수 선택을 최적화하였다.

실험 결과

연구 질문

• RQ1 LSTM 및 ARIMA 모델은 1일, 3일, 5일 예측 수준에서 일일 누적 코로나19 확진자 수를 어떻게 예측하는가?
• RQ2 LSTM은 짧은 입력 시퀀스(예: 3일)에서도 ARIMA에 비해 신뢰할 수 있는 예측을 수행할 수 있는가?
• RQ3 제안된 kMAPE 및 kMdSA 지표는 다일 예측 성능 평가에 얼마나 효과적인가?
• RQ4 LSTM은 ARIMA에 비해 확진자 수를 일관되게 과소평가하거나 과대평가하는가?
• RQ5 학습 샘플 크기가 LSTM과 ARIMA의 예측 정확도에 미치는 영향은 무엇인가?

주요 결과

• LSTM 모델은 다일 예측에서 kMAPE 0.05%와 kMdSA 0.05%를 기록하여 높은 정확도를 보였다.
• ARIMA 모델은 kMAPE 0.07%와 kMdSA 0.06%를 기록하여 LSTMs에 비해 略적으로 낮은 성능을 보였다.
• LSTM은 확진자 수를 약간 과소평가한 반면, ARIMA는 약간 과대평가하였다.
• LSTM은 3일의 시퀀스 길이조차도 잘 작동하여 제한된 데이터에 대한 강인성을 입증하였다.
• 제안된 k기간 지표(kMAPE 및 kMdSA)는 다단계 예측 성능 평가에 효과적이었다.
• 두 모델 모두 공중보건 분야의 시계열 예측에 유의미하게 활용 가능하며, LSTMs는 정확도와 유연성 측면에서 略적으로 우수한 성능을 보였다.