Neural Forecasting of the Mortality of COVID-19 using Long Short-Term Memory (LSTM) Model

Abstract

In dealing with pandemic caused by COVID-19, it is important to have an appropriate model for prediction of possible deaths and infections which can help make the government and citizens aware of possible threats or consequences. However, due to dynamic nature of pandemic including the incubation period, wide difference in symptoms of infection among patients and the abrupt propagation of mutant viruses, statistical modelling of the number of infections and deaths can be difficult. Alternatively, recurrent neural network (RNN) is applied due to its efficiency in utilizing previous data to estimate future values. To be specific, we used LSTM algorithm because it has an advantage in handling Long-Term dependency. The model is created based on real data of COVID-19 in Korea and is designed to maximize the predictive power in forecasting the number of infections and deaths caused by COVID-19. Especially, our model provides an explanation on fatality across time which the government can refer to when establishing regulations and preparations to control the damage of the pandemic.;코로나 19의 전세계적 유행이 장기적으로 지속되는 가운데 미래 사망자수와 감염자수를 예측하는 최적화 모델의 중요성이 대두되고 있다. 이는 전염병 확산에 따른 잠재적 위협과 피해에 대한 정부와 시민의 경각심을 불러일으키는 데에 도움이 된다. 하지만 유행병의 역동성과 잠복기간, 확진자별 감염증상의 편차와 변이바이러스의 급증으로 인해 감염자와 사망자의 정확한 집계가 어렵다. 이러한 문제점을 극복하기 위해 우리나라의 과거 사망자수와 확진자수, 설명변수로 확진자 연령층과 백신접종률, 그리고 4가지 변이바이러스의 감염률을 적용하여 예측모델을 구축해보았다. 과거 데이터를 효과적으로 활용하여 미래를 예측하는 데에 특화된 알고리즘인 순환신경망(RNN)을 사용했다. 그 중에서도 순차적인 입력 데이터 간의 거리가 멀어도 더 잘 기억하고 학습할 수 있도록 설계된 신경망인 LSTM을 활용해 실제 데이터를 기반으로 미래 코로나19의 동향을 예측해 보았다. 본 논문에서 형성된 LSTM 모델은 시간의 흐름에 따른 우리나라의 코로나19의 치명률을 설명하고 예측한다. 이를 통해 전세계적 펜데믹 관련 피해를 줄이기 위한 정책과 제재 구축 시, 정부가 참고할 수 있는 유용한 역학 모델을 제공하고자 한다.