함수형 데이터 분석 기법을 이용한 COVID-19 확진자 수 데이터 분석

Abstract

함수형 데이터 분석의 방법론은 지난 10년 동안 광범위한 발전이 있었다. COVID-19는 지난 2년간 우리의 일상생활에 영향을 지속해서 주었으므로, COVID-19 감염병에 관한 연구는 시급한 주제이다. 이 주제에 관한 많은 연구가 있었으나, 기존 시계열 또는 시공간 데이터 분석 접근 방식은 자체적인 한계가 있으므로 적용에 어려움이 있었다. 본 논문에서는 함수형 데이터 분석 접근 방식을 기반으로 COVID-19 감염(확진) 사례를 분석한다. 본 논문에서 사용한 방법은 EM 알고리즘과 유사한 절차를 기반으로 하는 funFEM이라는 방법을 사용했다. 그러나 funFEM 방법은 E와 M 단계 사이에 추가적인 단계가 있다. 이 알고리즘은 데이터를 분리되는 함수형 부분공간(discriminative functional subspace)으로 군집화하는 함수형 혼합 모델(functional mixture model)에서도 발견된다. 이 방법은 간결하다는 자체적인 장점이 있으며, 시각화하기 쉽다. 본 논문은 COVID-19 일별 확진자 수 데이터셋에 funFEM을 적용하여 이 접근 방식이 감염 사례의 함수적 특징을 포착한다는 것을 보여준다. 군집화된 결과를 함수형 시계열 예측 방법에 사용한다면 감염 사례의 수(확진자 수)를 예측하는 데 사용할 수 있을 것으로 기대한다.;The methodologies of functional data analysis have undergone extensive development in the past decade. Research on COVID-19 infectious disease is an urgent topic as this has influenced our daily life in the previous two years.There is a variety of research on this topic. However, the existing time series or Spatio-temporal data analysis approach has its own limitation, which has seriously hindered its applications. In this paper, we analyze COVID-19 infection cases based on the functional data analysis approach. Our methods utilized a method called the funFEM, which is based on a procedure similar to the EM algorithm. However, the funFEM method has an additional step between E and M steps. This algorithm is also found in a functional mixture model, which clusters the data into a discriminative functional subspace. This has its own advantage of being parsimonious, and it is easy to be visualized. By applying funFEM to COVID 19 infection cases dataset, we demonstrate this approach captures functional features of the infection cases. We expect our clustered result can be used to improve predicting the number of infection cases using a functional time series prediction method.