[论文解读] A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19

Zhijian Li, Yunling Zheng+2 more|arXiv (Cornell University)|Jul 14, 2020

COVID-19 epidemiological studies被引用 4

一句话总结

该论文提出 IeRNN，一种混合时空模型，结合了基于 SIR 模型的离散 I 方程以捕捉局部感染动态，以及循环神经网络（LSTM）以捕获相邻区域的空间依赖性。在意大利有限的 COVID-19 数据上进行训练，IeRNN 在 1 天、3 天和 7 天预测中优于 RNN、SIR、ARIMA 和全连接网络，尤其在低数据环境下表现更优。

ABSTRACT

The outbreaks of Coronavirus Disease 2019 (COVID-19) have impacted the world significantly. Modeling the trend of infection and real-time forecasting of cases can help decision making and control of the disease spread. However, data-driven methods such as recurrent neural networks (RNN) can perform poorly due to limited daily samples in time. In this work, we develop an integrated spatiotemporal model based on the epidemic differential equations (SIR) and RNN. The former after simplification and discretization is a compact model of temporal infection trend of a region while the latter models the effect of nearest neighboring regions. The latter captures latent spatial information. %that is not publicly reported. We trained and tested our model on COVID-19 data in Italy, and show that it out-performs existing temporal models (fully connected NN, SIR, ARIMA) in 1-day, 3-day, and 1-week ahead forecasting especially in the regime of limited training data.

研究动机与目标

• 为解决在每日数据有限的情况下，特别是在 COVID-19 等新发疫情中，实现准确的实时传染病传播预测所面临的挑战。
• 将 SIR 模型的生物学可解释动力学与 RNN 的空间表征能力相结合，以提升时空预测性能。
• 开发一种紧凑、训练快速的模型，即使在小规模训练数据集下也适合实时部署。
• 在数据稀缺条件下，超越现有时间模型（如 ARIMA、全连接神经网络、纯 SIR 模型）在多日提前预测中的表现。

提出的方法

• 该模型使用从 SIR 微分方程推导出的离散时间 I 方程，以捕捉单个区域感染病例的时间演变。
• I 方程是一种紧凑的三参数差分方程，能够以高数据效率建模局部感染趋势。
• 一个独立的 LSTM 网络用于建模最近邻区域带来的潜在空间影响，以捕捉未观测到的感染流入。
• LSTM 处理由相邻区域聚合的感染数据，生成一个潜在的驱动项，输入到 I 方程中。
• 通过使用意大利各地区观察到的日病例数，采用端到端方式训练该混合模型，损失通过梯度下降最小化。
• 模型训练经过优化，可在标准硬件上实现亚秒级训练时间，支持实时预测。

实验结果

研究问题

• RQ1 结合流行病动力学与基于 RNN 的空间建模的紧凑、高效数据模型，能否提升新发传染病的短期预测准确性？
• RQ2 在低数据环境下，将简化的基于 SIR 的 I 方程与空间 RNN 集成，与纯深度学习或经典统计模型相比表现如何？
• RQ3 当训练数据减少至原始大小的 40% 时，该模型在多大程度上仍能保持预测准确性？
• RQ4 通过 LSTM 引入空间交互是否能显著提升预测性能，相较于纯时间模型如 ARIMA 或全连接网络？
• RQ5 该模型能否在计算成本极低的前提下实现实时推理，同时保持高精度？

主要发现

• 在所有测试区域（伦巴第、艾米利亚-罗马涅、拉齐奥）中，IeRNN 在 1 天预测中均达到最低 RMSE，分别在使用 70% 数据训练时，误差为 1.027e-04、6.333e-05 和 3.251e-05。
• 即使仅使用 40% 的训练数据，IeRNN 仍保持强劲表现，1 天预测的 RMSE 分别为 9.850e-05（伦巴第）、1.778e-04（艾米利亚-罗马涅）和 3.617e-05（拉齐奥）。
• 在 7 天预测中，IeRNN 超越所有其他模型，尤其在 40% 数据条件下，其性能优势在伦巴第最高可达 7 倍。
• 该模型的平均推理时间仅为 0.018 秒，训练时间不足 0.6 秒，适合实时部署。
• 仅 I 方程组件（I-model）在短期预测中表现较差，表明通过 LSTM 进行空间建模对精度至关重要。
• 即使仅使用 46 天的数据进行训练，该模型仍能成功跟踪感染率的整体趋势，表明其在数据稀缺条件下的鲁棒性。