[논문 리뷰] Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep 22, 2021, based on deep learning

Jafar Abdollahi, Amir Jalili Irani외 1명|arXiv (Cornell University)|2021. 03. 15.

COVID-19 epidemiological studies참고 문헌 22인용 수 9

한 줄 요약

이 연구는 이ран 보건부에서 제공한 공식 데이터를 사용하여 이ран의 코로나19 유행을 위한 딥러닝 기반 예측 모델을 개발하며, 시계열 모델과 기계학습 기법을 비교한다. 장기 단기 기억(이하 LSTM) 및 계절적 인공신경망(ANN) 모델이 전통적인 시계열 모델보다 뛰어나며, 예방 조치가 유지될 경우 새로운 감염자 수와 사망자 수가 감소하고, 2021년 9월 22일에는 사망자가 0명으로 예측된다.

ABSTRACT

The recent global outbreak of covid-19 is affecting many countries around the world. Due to the growing number of newly infected individuals and the health-care system bottlenecks, it will be useful to predict the upcoming number of patients. This study aims to efficiently forecast the is used to estimate new cases, number of deaths, and number of recovered patients in Iran for 180 days, using the official dataset of the Iranian Ministry of Health and Medical Education and the impact of control measures on the spread of COVID-19. Four different types of forecasting techniques, time series, and machine learning algorithms, are developed and the best performing method for the given case study is determined. Under the time series, we consider the four algorithms including Prophet, Long short-term memory, Autoregressive, Autoregressive Integrated Moving Average models. On comparing the different techniques, we found that deep learning methods yield better results than time series forecasting algorithms. More specifically, the least value of the error measures is observed in seasonal ANN and LSTM models. Our findings showed that if precautionary measures are taken seriously, the number of new cases and deaths will decrease, and the number of deaths in September 2021 will reach zero.

연구 동기 및 목표

• 공식 데이터를 사용하여 이란에서의 신규 코로나19 감염자 수, 사망자 수, 회복자 수를 180일간 예측하기.
• 시계열 모델(예: Prophet, ARIMA)과 기계학습 기법(예: LSTM, ANN)의 성능을 비교하기.
• 이란에서의 유행의 전개에 대한 통제 조치의 영향 평가하기.
• 이ран 상황에 가장 정확한 예측 모델 식별하기.

제안 방법

• 연구는 이란 보건부 및 의료교육부에서 제공한 공식 일일 확진자 수, 사망자 수, 회복자 수 데이터를 사용한다.
• 네 가지 시계열 모델을 적용한다: Prophet, 장기 단기 기억(LSTM), 자기회귀(AR), 자기회귀통합이동평균(ARIMA).
• 이력 데이터를 기반으로 두 가지 딥러닝 모델—계절적 인공신경망(ANN) 및 LSTM—을 개발하고 훈련시켜 향후 추세를 예측한다.
• 모델 성능은 표준 오차 지표를 사용해 평가되며, 가장 낮은 오차 값을 기록한 모델이 최고 성능 모델로 선정된다.
• 전파율 변화를 반영하기 위해 입력 파rameter를 조정하여 통제 조치의 영향을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 시계열 모델과 딥러닝 모델 중 어느 것이 이란에서 코로나19 전파를 예측하는 데 더 우수한 성능을 보이는가?
• RQ2 2021년 9월까지 예방 조치가 이란의 예상 신규 감염자 수와 사망자 수에 어떤 영향을 미치는가?
• RQ3 LSTM 및 계절적 ANN과 같은 딥러닝 모델이 이란 유행에 대해 전통적인 시계열 모델보다 더 정확한 예측을 제공할 수 있는가?
• RQ4 지속적인 예방 조치가 유지될 경우, 2021년 9월 22일까지 이란의 신규 감염자 수와 사망자 수의 예상 추세는 어떠한가?

주요 결과

• LSTM 및 계절적 ANN 모델은 테스트된 모든 모델 중에서 가장 낮은 오차 값을 기록하며, Prophet 및 ARIMA와 같은 전통적인 시계열 모델을 능가한다.
• 연구 결과, 딥러닝 모델이 이란에서 코로나19 전파 예측에 있어 고전적 시계열 모델보다 더 효과적임을 확인하였다.
• 지속적인 예방 조치가 이행될 경우, 모델은 이ран의 일일 신규 사망자가 2021년 9월 22일에 0명에 도달할 것으로 예측한다.
• 예방 간호 조치가 유지될 경우, 180일 예측 기간 동안 신규 감염자 수와 사망자 수가 크게 감소할 것으로 예측된다.