核心概念
다양한 잡음이 포함된 감염병 확산 모델을 활용하여 심층 학습 알고리즘을 훈련함으로써, 감염병 발생 전 조기 경보 지표의 성능을 향상시킬 수 있다.
摘要
이 연구는 감염병 확산 모델에 포함된 다양한 잡음이 조기 경보 지표에 미치는 영향을 분석하고, 이를 바탕으로 심층 학습 알고리즘을 훈련하여 조기 경보 지표의 성능을 향상시키고자 하였다.
주요 내용은 다음과 같다:
감염병 확산 모델에 백색 잡음, 환경 잡음, 인구 통계학적 잡음을 각각 포함하여 시뮬레이션 데이터를 생성하였다.
생성된 시뮬레이션 데이터를 활용하여 심층 학습 알고리즘을 훈련하였다. 이때 두 가지 길이(100, 500)의 데이터를 사용하여 모델을 훈련하였다.
훈련된 심층 학습 모델과 기존의 조기 경보 지표(분산, 1차 자기상관)의 성능을 비교 평가하였다. 이를 위해 시뮬레이션 데이터와 실제 COVID-19 데이터를 활용하였다.
심층 학습 모델 중 500 길이 데이터로 훈련된 모델(SIDATR-500)이 가장 우수한 성능을 보였다. 특히 시뮬레이션 데이터에서 뛰어난 성과를 보였으며, 실제 COVID-19 데이터에서도 기존 지표들을 능가하는 성과를 보였다.
이 연구 결과는 감염병 확산 모델의 다양한 잡음 특성을 고려하여 조기 경보 지표를 개발하는 것이 중요함을 시사한다.
統計資料
감염병 확산 모델의 기본 재생산 수(R0)가 1이 되는 시점에 전환이 발생한다.
전환이 발생하는 시뮬레이션의 경우 전환 시점 이전 500 (100) 시점의 데이터를 사용하였다.
전환이 발생하지 않는 시뮬레이션의 경우 마지막 500 (100) 시점의 데이터를 사용하였다.