[论文解读] A deep-learning model for evaluating and predicting the impact of lockdown policies on COVID-19 cases

Ahmed Ben Said, Abdelkarim Erradi+2 more|arXiv (Cornell University)|Sep 11, 2020

COVID-19 epidemiological studies被引用 13

一句话总结

本文提出了一种深度学习模型，通过相似的封锁政策对国家进行聚类，并基于政策特征和病例数据预测每日新冠肺炎病例数。该模型支持基于情景的‘如果’分析，表明解除学校和边境限制将导致病例数急剧上升，而解除其他限制则影响甚微。

ABSTRACT

To reduce the impact of COVID-19 pandemic most countries have implemented several counter-measures to control the virus spread including school and border closing, shutting down public transport and workplace and restrictions on gathering. In this research work, we propose a deep-learning prediction model for evaluating and predicting the impact of various lockdown policies on daily COVID-19 cases. This is achieved by first clustering countries having similar lockdown policies, then training a prediction model based on the daily cases of the countries in each cluster along with the data describing their lockdown policies. Once the model is trained, it can used to evaluate several scenarios associated to lockdown policies and investigate their impact on the predicted COVID cases. Our evaluation experiments, conducted on Qatar as a use case, shows that the proposed approach achieved competitive prediction accuracy. Additionally, our findings highlighted that lifting restrictions particularly on schools and border opening would result in significant increase in the number of cases during the study period.

研究动机与目标

• 开发一种数据驱动的深度学习模型，以评估和预测封锁政策对每日新冠肺炎病例的影响。
• 通过模拟不同政策领域内限制水平的变化，为政策制定者提供基于情景的分析能力。
• 通过聚类具有相似封锁策略的国家并基于共享的政策-病例模式进行训练，提高预测准确性。
• 利用卡塔尔作为案例研究，识别出在解除后对病例轨迹产生最显著影响的具体封锁措施。

提出的方法

• 使用K均值聚类方法，根据封锁措施的实施时间和类型对国家进行聚类，通过肘部法确定最优聚类数量。
• 提取政策特征，包括从首例病例到政策实施的天数以及两周间隔内的平均基本再生数（Rt）。
• 在每个聚类内，基于每日病例数和政策特征训练深度学习模型，以预测未来的病例趋势。
• 利用训练好的模型通过假设性地逐个移除某一政策领域的限制（同时保持其他限制不变）来模拟‘如果’情景。
• 使用均方根误差（RMSE）和平均绝对误差（MAE）指标评估模型性能，并与仅使用卡塔尔数据或无封锁数据的基线模型进行比较。
• 将模型应用于卡塔尔第4轮封锁期（2020年9月初）的分析，评估解除学校、边境、公共交通、工作场所和集会限制对病例的影响。

实验结果

研究问题

• RQ1 在预测每日新冠肺炎病例时，纳入封锁政策特征在多大程度上提升了深度学习模型的准确性？
• RQ2 解除哪些具体封锁措施会导致预测的每日病例数显著上升？
• RQ3 在基于情景的模拟中，不同政策领域（如学校、边境、公共交通）对病例趋势的影响如何比较？
• RQ4 与单独建模每个国家相比，对具有相似政策响应的国家进行聚类是否能提升预测性能？
• RQ5 如果完全解除关键限制（如边境管控或学校关闭），病例轨迹将如何变化？

主要发现

• 该模型在预测卡塔尔每日病例数时，RMSE为28，MAE为21，显著优于基线模型（仅使用卡塔尔数据时RMSE为129，MAE为108）。
• 预测显示，若解除学校和教育机构的所有限制，病例数将从2020年9月4日起急剧上升，并呈现持续上升趋势。
• 预测显示，解除边境管控限制将导致病例数呈指数级激增，一周内病例数将超过350例——比实际数字高出逾100例。
• 解除公共交通、工作场所和集会限制对预测病例数影响甚微，波动幅度接近实际值。
• 模型识别出学校和边境限制是控制传播的最关键杠杆，其解除将极大增加疫情反弹风险。
• 模型表明，基于具有相似政策响应的国家聚类进行训练，相比基于单一国家数据训练的模型，能显著提升预测准确性。