V体育人流和天气数据的变化来预测新型冠状病毒感染人数 ~ 结合深度学习和统计数据以及新突变毒株出现时控制人流的指南来预测新增感染人数

演示要点

〇开发基于深度学习的新感染数量预测系统和突变株出现时的评估方法
〇深度学习可以解释新增感染人数（周平均）变化的80%，75%可以通过主要车站的人流来解释（东京为63%）
〇​有效再生数可以根据近两周各都道府县的人口增减率（6～12天前一周的平均值）大致估算
〇​α突变病毒的有效繁殖数比常规病毒高20-30%
〇〇δ突变病毒的有效繁殖数估计比常规病毒高20-40%
〇虽然深度学习需要大约4周的时间来应对突变菌株，但根据新突变菌株的初始有效繁殖数对人流增减率的依赖关系，可以得出控制人流的指南

摘要

V体育研究小组（工学研究科、机电工程系、平田秋正教授（先进医学物理与信息工程研究中心主任）、Rashed项目副教授Essam和项目副教授Sachiko Kodera）通过学习2020年3月至2021年6月下旬各都道府县的运动数据和天气数据，预测了新型冠状病毒感染的数量。在与人工智能相关的深度学习技术中，我们应用了循环神经网络LSTM 网络的优势在于处理时间序列数据，输入人数下降等数据和时间序列天气数据，并应用它来学习和预测下个月每天（周平均）的新增感染人数。通过对东京、爱知、大阪、兵库、京都和福冈县的数据进行标准化，我们能够在突变菌株影响不大的情况下以大约 80% 的准确度进行预测。此外，根据α变种出现后的数据，我们发现大约需要4周的数据积累才能对新变种菌株有足够的预测精度。在这种情况下，可以根据过去一周（包括潜伏期）的人数增减率统计值，粗略估计有效繁殖数，并计算出增减率作为指导。从截至6月30日的数据来看，我们发现，在人口流动变化相同的条件下，α和δ种群的有效繁殖数分别比过去高出20-30%和20-40%。

背景

　迄今为止报道的传染病传播的数学模型一般没有考虑与人流、温湿度、人口密度等的关系，或者需要对此所使用的参数进行设定。对于新型冠状病毒，V体育的一个研究小组一直在进行统计处理，并构建考虑到上述因素影响的预测公式[1]。
此后，人口流动数据[2, 3]以及根据人口流动数据预测新增感染人数的数据[4]开始发布。谷歌用于预测新增感染人数的模型基于一种称为 SEIR 模型的数学模型，其中使用的参数是使用机器学习来估计的。该研究小组尝试使用人口流动的时间序列数据和天气数据作为输入值，利用深度学习直接预测7天的平均新增感染人数（当天±3天），这些数据根据先前的知识在统计上是优越的参数，并且对未来两周的平均新增感染人数实现了约80%的预测精度[5]（中日新闻，2020年12月12日，第1页）。其背景不仅是根据时间宣布紧急事态宣言和防止疫情扩散的优先措施的有效性，而且还需要灵活考虑每天变化的人员流动的影响。
　在日本，新型冠状病毒突变株中，自2020年12月起报告了α突变株（英国株），自2021年3月起报告了δ突变株（印度株），人们对这些毒株高度关注，因为据报道它们比常规毒株传染性更强。同时，疫苗接种于2021年2月17日开始，人们关注的焦点是疫苗接种率和有效性。尽管英国和以色列等国家的疫苗接种率很高，但Delta毒株的感染仍在蔓延，需要开发和应用技术来全面评估这些感染。

分析结果

　V体育的一个研究小组一直在建立一个模型，利用深度学习来预测新型冠状病毒感染的数量 [5, 6]。作为输入参数，我们使用了人数的增加/减少率、天气数据（每日最高/最低温度、平均湿度）、工作日/节假日以及政府和每个行政区域是否宣布紧急状态。
首先，我们研究了用于预测的最佳输入参数。表1显示了2021年4月11日至5月22日的学习结果，估算了5月23日至6月22日的7天新增感染人数平均值，并比较了预测精度。从表中可以看出，采用全部输入数据时的估算精度最高，根据六地市的平均值，比不考虑气象数据时的预测精度高约2%。此外，天气数据影响较小的可能原因包括，预报的时间相对较短，因此天气变化较少，且本次针对的地区主要是城市地区，人口密度较高，社交距离的影响较强。[1]另外，关于人数的增减率，如果考虑到都道府县中央车站的移动，平均会减少6%，但东京都会减少209%。另外可以看出，在不考虑移动信息的情况下，下降了104%（如果排除东京，预测准确率约为75%）。

表 1 各输入值 7 天平均新增感染人数的预测精度比较。 ①输入所有数据，②不要仅输入天气数据，③仅移动到主要车站，④没有人流信息。感染传播、收敛期、人口密度（左）和每日绝对湿度（示例）（右）之间的关系

　为了考虑新突变株对感染人数的影响，图1显示了第四波的结果，其中可以看到α突变株的影响。如图所示，在感染α突变株的关西地区，深度学习预测的值与报告值存在差异。另一方面，可以确认的是，在变异株影响相对较小的东京，数量仍保持在预测范围内。

图1 各都道府县报告新增感染人数与预测新增感染人数对比（以当日为中心的周平均值）

图2 人口增减率与有效繁殖数的相关性。与传统股票相比，第三波浪潮更高。主要车站的人数增减率。

　除了受α突变株影响较大的大阪府和兵库县以外，我们还重点关注了受影响较小的东京都，并展示了主要车站人数增减率与有效繁殖数（报告值）之间的关系（图2）。人数增减率被定义为从6天前开始的7天内的平均值（6至12天前的平均值）[7]，考虑到潜伏期。由图可知，在大阪府，用一次函数近似时，决定系数(R²) 证实了 06 和 074 的高相关性。兵库县的决定系数为035。这种差异背后的可能因素包括两个县的铁路用户比例和扩建面积。假设人数增减率相同，α突变病毒在大阪府和兵库县的有效繁殖数比常规病毒多20-30%。在这两个县中，建议需要对人员流动进行更严格的限制，以将已出现α突变株的第四波中的有效繁殖数保持在1以下，而不是在第三波中（大阪：第三波-26％⇒第四波-31％；兵库：第三波-22％⇒第四波-33％）。我们还发现，在变异毒株影响较小的东京，必要的人流应控制在与第三波浪潮相同或更少的程度。
　此外，图2显示了大阪仅出现alpha股票期间（2021年3月10日至4月14日，每周：图中的□）和东京的delta股票（2021年5月26日至6月30日：图中的△）期间Delta股票的有效再生数的近似值。该图显示，虽然在新突变株出现和传播期间，有效繁殖数较高，但随着时间的推移，有效繁殖数会下降。此外，从截至6月30日获得的数据来看，我们可以确认它们比传统股票贵20%至40%，与阿尔法股票大致相同或略高。由此预测，如果东京的某个站点的人口变化率为-40%～-45%，大阪的人口变化率为-35%（截至7月1日），则有效再生数可以保持在1以下。但是，这是假设训练数据中的人流没有大的变化，并且由于大型活动、长假等导致的人流变化，趋势可能会有所不同。在图1中，为4月1日的值到 4 月 14 日的增幅高于正常水平，被认为是由于本财年结束所致。虽然这里没有显示，但众所周知，由于年末假期期间人员流动的变化、检查数量的变化等，存在有效繁殖数较高的情况。

图3直到学习突变株（示意图）

　

图4 东京7月和8月新增感染人数的预测模拟（周平均值）。
假设天气与去年相同。

　如图 3 所示，深度学习大约需要 4 周时间才能对突变菌株做出反应。这是由于图2所示的有效再生数存在差异，通过将其与过去的人口增减率的关系进行比较，可以得出各都道府县将有效再生数降至1以下所需的人口减少率的基准。
　图 4 以东京都 7 月和 8 月的新增感染人数（周平均）进行预测模拟，与当前人流保持连续性，假设 2020 年的人流。假设天气与 2020 年相同。根据图 2，显示了等效考虑 Delta 株出现后的有效繁殖数、粗略估计考虑疫苗的影响、假设人流7月22日之后人数增加了5%。 7月22日之后的人流可能是由于其他因素造成的，例如举办大型活动、年末年初或财政年度结束时。疫苗的影响是基于以色列和马耳他的报告值，结果是基于这样的假设：从第一次疫苗接种到确认疗效的时间为6周，并且以60%的疫苗接种率实现群体免疫（这里仅在+5%人流的情况下）。

[1]由于它是按都道府县标准化的，因此不能仅适用于某些都道府县。

神经网络配置和数据处理

　对于预测模型，我们使用了深度学习领域使用的称为 LSTM 的回归神经网络。 LSTM 是一种适合预测时间序列数据的人工回归神经网络架构。这次，我们采用了多层LSTM来处理各种类型的时间序列数据。此外，不是针对每个都道府县进行学习，而是根据相似性对数据进行标准化，以便同时学习和估计目标都道府县。
　在表1所示预测模型的评估中，以2021年1月26日为起始日期，重复15次（周），使用2020年2月15日起各时期的学习数据作为学习数据，每周更新一次，并输出4周后的预测结果。

有用性和未来前景

　这项技术使得预测城市地区新增感染人数成为可能。对于东京以外的都道府县，根据主要车站的人数增减率、天气数据（每日最高/最低气温、平均湿度）、平日/节假日、政府和各行政区是否宣布紧急状态等信息，我们发现预测精度可以达到75-80%。另一方面，东京人流复杂，需要各类人流信息。此外，我们发现，如果我们能够在预测模型学习新突变株影响的四个星期期间学习或估计新突变株特有的有效繁殖数，则可以计算出控制人流的指南。特别是，如果本次演讲中获得的发现可以提供减少感染人数的具体指标，那么它可能成为冠状病毒对策的有用工具。在评估疫苗有效性时，估计的新感染人数也被认为是有用的指标。

新闻稿信息及相关主要论文

[1] 2020年6月17日新闻稿“新型冠状病毒受人口密度、温度、绝对湿度影响——新型冠状病毒传播、汇聚期、感染人数、死亡人数分析结果”
https://wwwnitechacjp/news/press/2020/8366html
相关文献
E。 A Rashed、S Kodera、J Gomez-Tames 和 A Hirata，“绝对湿度、温度和人口密度对 COVID-19 传播和衰减持续时间的影响：日本的多县研究”，Int。 J环境。资源。公共卫生，第 17 卷，第 15 期，第 5354 页，2020 年。
S。 Kodera、E A Rashed 和 A Hirata，“日本的 COVID-19 发病率和死亡率与当地人口密度、温度和绝对湿度之间的相关性”，Int。 J环境。资源。公共卫生，第 17 卷，第 15 期，第 5477 页，2020 年。
[2] Docomo 移动空间统计
[3] Google COVID-19：社区流动性报告
[4] Arik 等人，
[5] E A Rashed 和 A Hirata，“一年课程：V体育日本气象数据和流动性估计对 COVID-19 阳性病例进行机器学习预测”，Int J环境。资源。公共卫生，第 18 卷，第 11 期，第 5477 页，2021 年。
[6] E A Rashed 和 A Hirata，“日本 COVID-19 病毒变体的感染率激增：来自深度学习模型的证据。”国际。 J环境。资源。公共卫生（已提交）。
[7] S Lauer 等人，《内科医学年鉴》，第 172 卷，第 9 期，第 577-582 页，2020 年。

▶有关新闻稿材料的详细信息，请参阅以下页面。

联系信息

研究相关事宜

V体育工学研究生院
电气/机械工程系
平田昭正教授
电话：052-735-7916
电子邮件：ahirata[at]nitechacjp

公共关系很重要

V体育企划公关科
电话：052-735-5647
电子邮件：pr[at]admnitechacjp

*请将每个 [at] 替换为 @。