[论文解读] Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic

César Quilodrán-Casas, Vinicius Santos Silva+4 more|arXiv (Cornell University)|Feb 3, 2021

COVID-19 epidemiological studies被引用 5

一句话总结

本文提出了两种数字孪生框架——基于数据校正的双向LSTM和预测性生成对抗网络（GAN）——以加速并改进空间扩展型SEIRS冠状病毒病模型的预测。预测性GAN在预测易感人群方面优于数据校正的BDLSTM，表明生成对抗网络在实现高精度、快速且与数据无关的流行病学建模方面具有潜力，且计算成本更低。

ABSTRACT

The outbreak of the coronavirus disease 2019 (COVID-19) has now spread throughout the globe infecting over 150 million people and causing the death of over 3.2 million people. Thus, there is an urgent need to study the dynamics of epidemiological models to gain a better understanding of how such diseases spread. While epidemiological models can be computationally expensive, recent advances in machine learning techniques have given rise to neural networks with the ability to learn and predict complex dynamics at reduced computational costs. Here we introduce two digital twins of a SEIRS model applied to an idealised town. The SEIRS model has been modified to take account of spatial variation and, where possible, the model parameters are based on official virus spreading data from the UK. We compare predictions from a data-corrected Bidirectional Long Short-Term Memory network and a predictive Generative Adversarial Network. The predictions given by these two frameworks are accurate when compared to the original SEIRS model data. Additionally, these frameworks are data-agnostic and could be applied to towns, idealised or real, in the UK or in other countries. Also, more compartments could be included in the SEIRS model, in order to study more realistic epidemiological behaviour.

研究动机与目标

• 开发快速、准确且与数据无关的流行病学模型数字孪生代理，以降低计算成本。
• 解决具有时空动态的全尺度SEIRS模型带来的高计算负担问题。
• 比较数据校正的BDLSTM与预测性GAN在预测疾病传播方面的性能。
• 探索利用深度学习构建非侵入式降阶模型（NIROMs）进行病毒建模的可行性。
• 实现实时数据同化与控制措施的交互式探索，以支持疫情应对。

提出的方法

• 通过有限元法将包含四个状态和两组人群的改进SEIRS模型扩展以包含空间变化。
• 利用主成分分析（PCA）进行本征正交分解（POD），以降低模型快照的维度。
• 在低维系数上训练数据校正的双向长短期记忆网络（BDLSTM），并通过最佳线性无偏估计（BLUE）进行校正，以提高精度。
• 训练预测性生成对抗网络（GAN），从随机噪声生成逼真的未来状态，学习时间动态过程，而无需在每一步都依赖真实标签。
• 两种模型均在高保真SEIRS模型的快照上进行训练，并与真实值对比评估预测精度。
• 这些框架设计为与数据无关，可在英国或其他国家的真实或理想化城镇中以最少的重新配置应用。

实验结果

研究问题

• RQ1 数据校正的双向LSTM能否在显著降低计算成本的前提下，有效预测空间扩展型SEIRS模型的时间演化？
• RQ2 预测性GAN在预测易感人群和感染人群等关键流行病学状态方面，与数据校正的BDLSTM相比表现如何？
• RQ3 非侵入式降阶模型（NIROMs）在显著减少计算时间的同时，能在多大程度上保持高保真SEIRS模拟的精度？
• RQ4 生成对抗网络能否有效适应于流行病学建模，以生成可靠且逼真的时间序列预测，而无需迭代优化？
• RQ5 结合时间建模（通过BDLSTM）与生成建模（通过GAN）在未来的疫情预测中具有哪些相对优势？

主要发现

• 预测性GAN在预测易感人群方面优于数据校正的BDLSTM，表明其生成轨迹具有更优的泛化能力和真实性。
• 通过引入基于BLUE的校正，数据校正的BDLSTM在精度上优于标准BDLSTM，证明了混合数据同化技术的价值。
• 两种数字孪生框架与原始SEIRS模型相比均能生成准确预测，验证了其用作快速代理的可行性。
• 这些框架与数据无关，可在英国或其他国家的真实或理想化城镇中以最少的重新配置应用。
• 随着模型复杂度的增加，加速潜力也相应提升，表明其在高分辨率或多组分SEIRS模型中更具应用价值。
• 本研究首次将降阶建模技术应用于病毒建模，为高效疫情模拟与预测开辟了新途径。