[论文解读] Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models

Seid Miad Zandavi, Taha Hossein Rashidi+1 more|arXiv (Cornell University)|May 24, 2020

COVID-19 epidemiological studies参考文献 33被引用 15

一句话总结

本文提出了一种混合LSTM-动态行为模型，用于在控制情景下预测新冠状病毒传播，整合了区域政策、公众行为和医疗容量。该模型在十个国家的病例和死亡预测中，显著降低了RMSE，相较于标准LSTM，误差率最高降低90%，尤其在波动性大或数据稀少的地区表现更优。

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.

研究动机与目标

• 为应对由于政策变化、行为模式和报告延迟等混杂变量导致的不确定性，预测新冠状病毒传播的挑战。
• 通过将动态行为模型与深度学习相结合，提升在数据有限或噪声较大的区域的预测准确性。
• 实现反映现实世界政策与行为动态的、稳健的、区域特定的病例与死亡预测。
• 通过模拟不同行为与系统条件下的干预措施影响，支持公共卫生决策制定。

提出的方法

• 该混合模型结合了长短期记忆（LSTM）网络与三个动态模块：任务模型（公众行为）、设施模型（医疗基础设施）和动态运动模型（病例/死亡趋势预测）。
• 动态运动模型利用LSTM学习病例与死亡数据中的时间模式，同时适应随机波动与不确定性。
• 通过遗传算法对每个国家的模型参数进行优化，以反映传播、政策与医疗容量的区域差异。
• 模型在ECDC提供的数据中训练了90%（2020年12月31日至2020年4月19日），并在10%的数据上进行测试，以评估在十大受影响国家及澳大利亚的表现。
• 该框架整合了反馈机制，反映随时间变化的接触率、检测、诊断与风险感知的变化。
• 通过病例与死亡的RMSE评估性能，并将混合模型与独立LSTM模型进行对比。

实验结果

研究问题

• RQ1 在控制情景下，混合LSTM与动态行为模型在多样化的国家中，对新冠状病毒病例与死亡数的预测准确度如何？
• RQ2 与标准LSTM模型相比，整合行为与医疗系统动态是否显著提升了预测的鲁棒性？
• RQ3 区域政策与行为差异如何影响模型性能？该模型能否适应这些差异？
• RQ4 在高波动性或数据噪声较大的时期，该模型是否能可靠地预测趋势？
• RQ5 通过遗传算法进行参数优化，对不同国家背景下的预测准确性有何影响？

主要发现

• 与独立LSTM相比，混合模型将每日病例的RMSE最高降低了92%，美国的病例RMSE从7,934降至623，澳大利亚从37降至15。
• 在死亡预测方面，混合模型在澳大利亚的RMSE为1，在俄罗斯为6，而LSTM基线模型分别为3和23。
• 该模型准确预测出西班牙、法国、德国、中国和澳大利亚在当前控制措施下，20天内将实现每日病例接近零。
• 相比之下，LSTM模型在澳大利亚和法国失败，产生了负数病例值并崩溃，凸显其在数据噪声下的不稳定性。
• 该模型对大幅波动表现出敏感性，表明稳定趋势是实现可靠预测的关键。
• 在所有研究国家中，混合模型均优于LSTM，尤其在不确定性高或数据有限的地区（如伊朗和英国）表现更优。