[论文解读] Google Trends Analysis of COVID-19

Long Hoang Nguyen, Zhenhe Pan+3 more|arXiv (Cornell University)|Nov 7, 2020

Data-Driven Disease Surveillance参考文献 24被引用 5

一句话总结

本研究利用谷歌趋势数据，通过机器学习提升全球及国家层面新冠肺炎确诊数的预测能力。通过将搜索趋势数据与历史病例数结合，深度神经网络模型将均方根误差（RMSE）降低了49%（从1,595降至807），表明谷歌趋势能显著提高对疫情动态预测的准确性。

ABSTRACT

The World Health Organization (WHO) announced that COVID-19 was a pandemic disease on the 11th of March as there were 118K cases in several countries and territories. Numerous researchers worked on forecasting the number of confirmed cases since anticipating the growth of the cases helps governments adopting knotty decisions to ease the lockdowns orders for their countries. These orders help several people who have lost their jobs and support gravely impacted businesses. Our research aims to investigate the relation between Google search trends and the spreading of the novel coronavirus (COVID-19) over countries worldwide, to predict the number of cases. We perform a correlation analysis on the keywords of the related Google search trends according to the number of confirmed cases reported by the WHO. After that, we applied several machine learning techniques (Multiple Linear Regression, Non-negative Integer Regression, Deep Neural Network), to forecast the number of confirmed cases globally based on historical data as well as the hybrid data (Google search trends). Our results show that Google search trends are highly associated with the number of reported confirmed cases, where the Deep Learning approach outperforms other forecasting techniques. We believe that it is not only a promising approach for forecasting the confirmed cases of COVID-19, but also for similar forecasting problems that are associated with the related Google trends.

研究动机与目标

• 调查全球范围内谷歌搜索趋势与世卫组织报告的新冠肺炎确诊数之间的相关性。
• 评估将谷歌趋势数据整合进机器学习模型以预测疫情发展进程的有效性。
• 比较多种预测模型（线性回归、负二项回归和深度神经网络）在有无谷歌趋势特征情况下的性能表现。
• 在全局和国家层面（如意大利、法国、美国）评估模型的预测准确性。
• 确定谷歌趋势是否可作为低成本、高效的替代数据源，以提升公共卫生预测能力。

提出的方法

• 对新冠肺炎相关关键词的谷歌搜索趋势与世卫组织报告的确诊病例数进行相关性分析。
• 应用三种机器学习模型：多元线性回归、非负整数回归（负二项分布）和深度神经网络（DNN）进行预测。
• 以历史确诊数和谷歌趋势数据作为输入特征，DNN模型在跨国时空数据上进行训练。
• 使用标准指标（RMSE、MAE、MAPE、R²）评估模型性能，比较有无谷歌趋势输入的模型表现。
• 对高影响力国家（意大利、法国、美国）进行国家层面分析，以验证方法的泛化能力和稳健性。
• 通过DNN模型可视化预测值与实际确诊数的对比，评估模式匹配度与误差范围。

实验结果

研究问题

• RQ1 全球范围内，谷歌搜索趋势与报告的确诊新冠肺炎病例数之间是否存在统计显著相关性？
• RQ2 将谷歌趋势数据纳入模型在多大程度上提升了机器学习模型对确诊数的预测准确性？
• RQ3 在整合谷歌趋势数据后，线性回归、负二项分布或深度神经网络中哪种机器学习模型表现最佳？
• RQ4 在不同国家，尤其是意大利、法国和美国等病例快速增长地区，模型性能如何变化？
• RQ5 谷歌趋势能否作为实时公众关注与疾病传播相关行为的可靠、低成本替代指标？

主要发现

• 谷歌搜索趋势与确诊新冠肺炎病例数之间存在显著的时间相关性，验证了其作为公众关注度及疫情趋势早期指标的可行性。
• 在预测准确性方面，深度神经网络模型优于线性回归和负二项分布模型，尤其在引入谷歌趋势数据后表现更优。
• 整合谷歌趋势数据使深度神经网络模型的RMSE降低49%（从1,595降至807），表明性能有显著提升。
• 使用谷歌趋势的模型在全球范围内的R²达到0.82，显著高于未使用趋势数据模型的0.76，表明其对实际数据的拟合度更高。
• 在国家层面评估中，谷歌趋势增强的DNN模型在法国（1,346 → 643）、意大利（1,432 → 657）和全球范围内将RMSE降低约2倍，在美国则降低2.5倍（1,310 → 520）。
• 本研究证实，谷歌趋势是提升公共卫生危机预测模型预测能力的宝贵、易获取且高效的替代数据源。