통계적 분석 기반의 딥러닝 모델에 의한 국내 코로나19 확진자 수 예측 연구 = Prediction of Domestic COVID-19 Confirmed Cases Using Deep Learning and Statistical Analysis

국문 초록 (Abstract)

COVID-19는 전염성이 강한 호흡기 질환으로 전 세계로 확산되어, 지역사회의 경제와 건강에 치명적인 영향을 미치고 있다. 따라서, COVID-19의 피해를 감소하고 근절하기 위해 확산 방지와 예방을 위한 조치가 필요하다. 이에 COVID-19 확진자 수를 예측하는 연구가 많이 제안되었다. 그러나 COVID-19 확진자 수를 예측하는데 있어, 어떤 모델이 적합한지, 어떤 입력변수를 사용해야 성능이 좋은지에 대한 연구는 부족한 실정이다. 본 논문에서는 COVID-19 확진자 수와 검사자 수에 COVID-19에 영향을 줄만한 외부요인들을 취합하여 통계적 방법의 상관분석과 변수 선택법을 통해 변수를 선정하였다. 선정된 변수들을 입력변수로 하여 다양한 모델(LinearRegression, DecisionTree, RandomForest, XGBoost, GBM, LightGBM, AdaBoost, LSTM, GRU)을 활용하여 COVID-19 확진자 수를 예측하고 시각화하여 비교하였다. 실험 결과로는 LSTM 모델이 실제 확진자 수와 비교하여 3가지 평가지표(MAE, MSE, RMSE)에서 가장 좋은 성능을 보였다. 본 연구는 COVID-19 확진자 수를 예측함으로써 COVID-19의 예방과 근절에 기여할 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

COVID-19 is a highly contagious respiratory disease that has spread worldwide and has a fatal impact on the economy and health of communities. Therefore, anti-spreading and preventive measures are needed to reduce and eradicate COVID-19 damage. Therefore, many studies have been proposed to predict the number of confirmed COVID-19 individuals. However, research on which model is appropriate for predicting the number of confirmed COVID-19 and which input variable should be used for good performance is insufficient. In this paper, we incorporated external factors that affect COVID-19 into the number of confirmed COVID-19 and the number of inspectors, and selected variables through correlation analysis of statistical methods and variable selection method. Utilizing various models(LinearRegression, DecisionTree, RandomForest, XGBoost, GBM, LightGBM, AdaBoost, LSTM, GRU) with the selected variable as the input variable, predict, visualize and compare the number of confirmed COVID-19 did. As a result of the experiment, the LSTM model showed the best performance in three evaluation indexes(MAE, MSE, RMSE) compared with the actual number of confirmed persons. In this study, it is expected to contribute to the prevention and eradication of COVID-19 by predicting the number of confirmed COVID-19.

목차 (Table of Contents)

• I. 서론 1
• II. 연구 방법 6
• 1. 자료 수집 및 변수 선정 방법 6
• 1) 자료 수집 6
• 2) 변수 선정 방법 7
• 2. 분석 방법 11
• 1) 선형회귀분석(Linear Regression Analysis) 11
• 2) 의사결정나무(Decision Tree) 11
• 3) 랜덤 포레스트(Random Forest) 13
• 4) GBM(Gradient Boosting Machine) 13
• 5) AdaBoost 15
• 6) XGBoost(eXtreme Gradient Boosting) 15
• 7) LightGBM 16
• 8) RNN(Recurrent Neural Networks) 17
• 9) LSTM 19
• 10) GRU 21
• 3. 모델 성능평가 지표 23
• III. 연구 결과 25
• 1. Date set 25
• 1) 변수 선정 과정 25
• 2) 데이터 전처리 28
• 2. 각 모델의 결과 및 평가 32
• 1) 선형회귀모델을 활용한 COVID-19 확진자 수 예측 및 평가 32
• 2) 의사결정나무를 활용한 COVID-19 확진자 수 예측 및 평가 34
• 3) 랜덤 포레스트를 활용한 COVID-19 확진자 수 예측 및 평가 35
• 4) GBM을 활용한 COVID-19 확진자 수 예측 및 평가 37
• 5) AdaBoost를 활용한 COVID-19 확진자 수 예측 및 평가 39
• 6) XGBoost를 활용한 COVID-19 확진자 수 예측 및 평가 41
• 7) LightGBM를 활용한 COVID-19 확진자 수 예측 및 평가 42
• 8) LSTM을 활용한 COVID-19 확진자 수 예측 및 평가 44
• 9) GRU를 활용한 COVID-19 확진자 수 예측 및 평가 46
• IV. 결론 및 고찰 48
• 참고문헌 50
• 영문초록 59