| 초록 |
□ 연구개요 이전 년도 연구에서는 전국 단위로 감염병을 예측하였으나, 지역 단위로 예측을 하기 위해서는 감염병은 공간적 요인과 시간적 요인이 함께 고려되어야 하기 때문에 시공간 데이터를 결합한 연구가 필요하다. 본 연구에서는 데이터를 3차원 데이터로 변환하는 작업을 통해 결과를 이미지화 시켜야 하며 이러한 과정을 통해 지역 단위로 구분하여 감염병 발생 형태를 예측하여야 한다. 해당 데이터를 활용하여 시공간 데이터를 활용한 예측 모델을 구현할 경우, 지역에 따른 감염병 확산 경로에 대한 예측을 수행할 수 있으며 이로 인해 사회경제적 피해를 최소화하고자 한다. □ 연구 목표대비 연구결과 감염병 예측을 위해 이전 년도 연구와 같이 감염병 데이터, 쿼리 데이터, 기상 데이터를 고려하고자 하였으나, 쿼리 데이터의 경우 지역을 기준으로 수집하는 것에는 어려움이 따랐기 때문에 우선 배제된 상태로 분석이 진행되어 감염병 데이터와 기상 데이터만을 고려하게 되었다. 수집한 데이터를 시공간 정보를 담는 3차원 행렬로 재구성하기 위해 대한민국을 64*64행렬로 나누었고 각 셀에 해당하는 시·군·구 행정구역 정보를 매핑하였다. 이후 각 셀의 시·군·구 행정구역 값을 기준으로 하여 감염병 발병수를 해당 셀에 대입시켰다. 위의 과정을 거치면 1일에 해당하는 데이터가 64*64 행렬로 재구성된다. 따라서 6574일의 기간을 가지는 원천 데이터는 최종적으로 64*64*6574의 3차원 행렬로 재구성되었다. 감염병 예측 테스트에 활용된 감염병은 이전 년도 연구에서 좋은 결과를 보였던 수두를 선정하였다. 재구성된 데이터를 기반으로 지역별 감염병 예측을 수행한 결과 예측 값의 범위가 실제 값의 범위에 미치지 못하는 경우가 다수 발생하여 행렬예측 데이터에선 재구성된 행렬 데이터의 표준편차보다 2.1%가량 더 높은 RMSE가 도출되었으며, 원천 데이터 형태로 재변환한 예측 결과에서도 원천 데이터의 표준편차에 비해 약 8.6% 높게 도출되었다. 위의 결과를 종합해보면 output scale을 조절할 수 있는 새로운 통제변수와 감염병 데이터의 주기성을 학습할 수 있도록 하는 변수를 추가하면 모델의 강건성이 높아질 것으로 보인다. 또한, 행정구역 단위로 나뉘어진 행렬 데이터의 형식을 적절히 학습할 수 있도록 filter의 크기를 조절하거나 새로운 형태의 filter를 도입하면 보다 좋은 예측 정확도를 보다 향상시킬 수 있을 것으로 사료된다. 또한, 향후 후속 연구가 가능하다면 감염병의 확산에 있어 물리적 공간을 구분하는 것 이외에 공간적 요인을 고려하는 방법인 지역 네트워크를 구성하여 GCN 모델을 설계하면 보다 적절한 지역단위별 감염병 예측이 가능할 것으로 판단된다. □ 연구개발결과의 중요성 본 연구 결과는 실제 지역 단위의 감염병 확산 예측에 바로 활용되기에는 어려움이 따르지만 향후 사회적 영향력 및 활용도에 있어서 기대치가 높은 연구 주제이다. 지역에 따른 감염병 확산을 감시·예측하기 위한 방법으로 보완된 딥러닝 예측모델이 활용된다면 각 지역별로 확산 정도에 따른 대처가 이루어질 수 있어 큰 피해를 예방 할 수 있다. 더 나아가 인간에게 적용되는 감염병뿐만 아니라 가축 등에서 발생하는 조류독감, 구제역 등 유행성 전염성 질병에 대한 예측도 가능할 것으로 사료된다. 2015년의 메르스 사태와 같이 세계 각국에서 바이러스성 감염병이 국내에 유입되는 사례가 많아지고 있다. 이에 따라 급격히 확산되는 감염병에 대해 신속하게 대체할 수 있는 감시·예측 체계의 보완이 필요하며, 이는 보완된 딥러닝 예측 모델이 역할을 수행할 수 있다. 보완된 감염병 발생 및 전파 예측 모듈을 정책수립과정에서 활용할 수 있다면 감염병 보고체계의 시간지연 문제에 대한 해결과 동시에 사전예측으로 감염병 확산을 막아 2차 피해 발생에 대한 경제적 손실의 감소, 더 나아가 국민의 안전에 이바지 할 수 있는 요소가 될 것이다. 더불어, 4차 산업혁명 시대에 맞춘 딥러닝 기술의 융합연구로서 향후 감염병 예측 연구에 활용될 수 있는 의의와 타 분야로의 확장성을 고려해보았을 때, 그 중요성이 크다고 사료된다. (출처 : 요약문 3p) |
