프로젝트 개요

이 프로젝트는 경기도가 주최한 ‘데이터 기반 코로나19 예측 공모전’ 에 참여하기 위해 만들어졌으며, 경기도 경제 과학 진흥원이 설명하는 공모는 다음과 같다.

• 목적 : 데이터를 활용한 코로나19 예측을 수행함으로써 데이터 활용 능력에 대한 역량 강화 및 문화 조성
• 주제 : 추석기간 동안(`20. 9. 30 ~ 10. 4) 경기도 내 코로나19 지역감염 확진자 수 예측 및 지역감염을 줄이기 위한 정책 제언
• 활용 데이터 : 기본 제공 데이터 + 참가자가 수집가능한 모든 데이터를 자체적으로 수집/활용
  • 기본 제공 데이터 : 경기도감염병관리지원단에서 매일 갱신되는 확진자 데이터 활용
  • 참가자 자체 수집 데이터 : 사회적 거리두기 시행 기간, 마스크 착용률 등
• 개발환경
  • python info
    • Version : 3.6.10
    • Anaconda ver 4.8.2
    • package info
      • jupyter notebook ver 6.0.3
      • tensorflow ver 2.1.0
      • numpy ver 1.19.1
      • pandas ver 1.1.1
  • R info
    • Version : 4.0.2
  • DB info
    • MySQL ver 5.7

프로젝트 참여자

• alpha-94
  • 데이터 수집, 국내 시계열 예측 모델링 구축
• jung-un
  • 데이터 분석, 정책 제언
• eunji32
  • 데이터 분석, 정책 제언
• heedeandean
  • 데이터 수집, 해외 시계열 모델링 구축

가설 및 변수 설정

경기도 확진자 데이터 분석 및 가설 설정

• 경기도 확진자의 주 감염경로는 다음과 같다.

  감염경로	비율
  접촉감염	73.06%
  불명확	13.40%
  집단발생	13.21%
  해외유입	0.29%
  타지역감염	0.05%

  주로 확진자 감염경로는 확진자에 의한 접촉이 가장 많은 비율로 나타났다.

• 따라서 가설을 '접촉을 줄일 수록 확진자 수는 감소할 것이다. ' 로 정했다.

• 국내감염의 경우 확진자의 접촉이 가장 높은 수치기록을 가졌으며 다양한 집단 모임에서 감염 발생하였으며 접촉 관련 변수 선정 후 확진자 수와 관련성 검증을 하기로 했다.

• 해외 감염 확진자의 경우 97% 이상이 자가격리 기간을 가져 타인에게 전파할 위험성이 낮으므로 접촉과 연관성이 낮아 가설 검증에서 제외하기로 하고 해외 확진자 수의 경우 누적 확진자 수를 기준으로 시계열 분석을 진행하기로 했다.

변수 선정 기준

• 1일 예상 감염률(2차 위험률)

  • 확진자는 유증상자와 무증상자로 나뉠 수 있으며 각각 3.5% , 0.8% 의 위험률을 지닌다고 방역당국이 설명해 주었다.

    따라서 확진 상세사항을 유증상자, 무증상자를 나눴고 일자별 계산을 통해 2차위험률(spread) 변수를 설정하여 확진자 수와 연관성 분석을 실시 하였다.

• 사회적 거리두기

  • 확진자가 폭발할 때마다 방역당국이 지정한 방역대책 중 사회적 거리두기에 따라 가중치를 두어 확진자 수와 연관성 분석을 실시 하였다.

  • 다음은 사회적 거리두기 단계에 따른 가중치의 설명이다.

    기간	단계 내용	가중치
    ~ 2020-03-21	-	0
    2020-03-22 ~ 2020-04-19	강력한 거리두기 시행	1.5
    2020-04-20 ~ 2020-08-18	완화한 형태 거리두기 시행	1
    2020-08-19 ~ 2020-08-29	수도권 거리두기 2단계	2
    2020-08-30 ~ 2020-09-13	사회적 거리두기 2.5단계	2.5
    2020-09-14 ~	사회적 거리두기 2단계	2

• 1일 검사자 수

  • 검사자 수는 확진자와의 접촉이 의심되어 검사를 받았다고 가정하고 검사자 수와 확진자 수의 연관성 분석을 실시 하였다.

변수 적합성 검증

• 변수 적합성 검증의 경우 R 의 corrplot 을 이용하여 적합성 검증을 진행하였다.

• 확진자 수와 1일 검사자 수의 관계

  

• 확진자 수와 사회적거리두기 가중치의 관계

  

• 확진자 수와 2차 공격률의 관계

  

  1일 검사자와 사회적 거리두기 가중치의 경우 다소 높은 상관관계를 가지며 2차 공격률의 경우 매우 높은 상관관계를 가진다. 이에 따른 결과를 통해 접촉을 줄일 수록 확진자 수는 줄어든다는 가설은 입증된다.

활용 데이터 및 가공

데이터 수집 및 적재

• 경기도감염병관리지원단 과 경기도청과 경기도감염관리지원단에서 제공하는 데이터를 이용하여 크롤링을 진행했다.

  크롤링은 크게 BeautifulSoup과 selenium 을 이용하여 수집하고 기본 전처리를 진행했다.

• 데이터 적재의 경우 MySQL 을 이용하여 적재 하였다.

예측 모델링 내 input 데이터 가공

• 현재 데이터에서 향후 데이터의 입력값이 있어야 미래 확진자 수를 예측할 수 있기 때문에 현재 모델 X에 해당하는 2차 공격률, 1일 검사자 수를 (사회적 거리두기의 경우는 2단계로 고정) 시계열 분석을 통해 현재 데이터 이후 X 데이터를 예측했다.

• 시계열에 따른 선형 모델은 numpy.polyfit 을 이용하였고 최근 8.15 집회(8/15 ~ 9/22)에 따른 선형 추세선은 다음과 같다.

  • 2차 공격률

  $$ y =0.0006548859543817529x + 1.283555294117647 $$

  • 검사자 수

  $$ y = 116.86905162064834x + 10069.988235294119 $$

• 추세선 결과에 따라 미래 X 데이터를 도출하였다.

모델 구현

경기도 국내 감염 확진자 수 예측 모델

• SETTING

  • Function

    • build_dataset

      LSTM 시계열형 데이터 빌드

    • build_dataset_x

      X 데이터 시계열형 데이터 빌드

    • series_diff

      Seires 날짜 별로 분리하기 위한 함수

    • polyfit_prd

      추세선 함수

  • Parameter

    LSTM 에 맞는 시퀀스 및 INPUT, OUTPUT dimension 지정

• Preprocess Data

  • load data

    pymysql 패키지를 이용하여 MySQL 연결 후 데이터 로드

  • Scaling (Min-Max Scaling)

    sklearn 패키지 내 preprocessing.MinMaxScaler 를 이용하여 정규화 하였다.

• LSTM Modeling

  • Layers

    tf.model = tf.keras.Sequential()
    tf.model.add(tf.keras.layers.LSTM(units=5,input_shape=(seq_length, data_dim), return_sequences=True))
    tf.model.add(tf.keras.layers.LSTM(units=5, return_sequences=False))
    tf.model.add(tf.keras.layers.Dense(units=output_dim, activation='linear'))

    약 200일 가량의 데이터 셋으로 LSTM 을 모델링 하기에는 너무 예민한지 유닛 수를 늘리면 늘릴 수록 오버피팅이 쉽게 일어났다. 그래서 유닛수를 차차 줄이면서 최적의 값을 찾았다. 가장 적합한 활성화 함수는 relu, linear 두가지 였지만 linear 가 가장 안정적인 오차율을 발생시켰다.

  • Compile

    tf.model.compile(loss='mse',
                     # optimizer=tf.keras.optimizers.Adam(lr=learning_rate),
                     optimizer='adam',
                     metrics=['accuracy'])
    
    es = EarlyStopping(monitor='val_loss', mode='min',patience = 40)
    
    h = tf.model.fit(trainX, trainY,
                     epochs=iterations,
                     batch_size=7,
                     validation_data=[testX,testY],
                     verbose=1,
                     callbacks = [es]
                    )

    optimizer 에 learning_rate 적용하려고 했으나 애초에 Tensorflow 내에 랜덤수를 고정하지도 않았으며 너무나 예민했기에 자동으로 지정해주었고, loss 는 Mean Square Error 를 이용하였다.

    또한 EarlyStopping 을 이용하여 40번 정도를 돌면서 val_loss 가 최소가 되었을때 멈추도록 하였다.

  • Predict

    test_predict = tf.model.predict(testX)
    MSE = mean_squared_error(testY.reshape(-1,1),test_predict) 
    RMSE = np.sqrt(MSE)
    pred_score = 100 * ( 1 - (((test_predict - testY)**2).sum())/((testY**2).sum()))

    pred_score는 88.95741695607973 정도가 나왔다. 나름 모델 피팅이 좋게 나왔으며 90점 이상인 모델은 저장이 되도록 세이브포인트를 지정했다.

  • Visualization

    

    추석기간은 아무래도 집에 있어야 할 것 같다.😩

경기도 해외 유입 확진자 수 예측 모델

• SETTING

  • load data

    마찬가지로 MySQL 로 로드 하였으며, 국내 테이블과는 다르게 해외 테이블은 미리 전처리 하여 DB에 저장 되어있다.

• Modeling

  • Produce

    해외 감염은 별다른 변수 없이 누적 확진자 수를 통해 시계열 모델링 하였다.

    모델은 fbprophet.Prophet 를 이용하였으며 parameter 를 조정하며 모델을 생성하였다.

  • Visualization

    

    10월 4일에 yhat 이 lower 와 upper 가 10명 정도 차이가 난다.

결론

추석 기간에 확진자 수는 41~47명 사이로 웃도는 것으로 모델 결과가 나왔다.

8월 달의 집회로 많은 확진자 수가 폭발적으로 늘어 대유행을 만들었고 이 여파는 10월 중순까지 지속할 것으로 예측된다.

더도말고 덜도 말고 한가위만 같아야겠지만 이번 추석은 최대한 친지 방문이나 여행을 가는 것을 고려해 보아야 할 것 같다.

2019 년 12월 우한에서부터 발발되어 지금까지 장기적인 바이러스와 싸움이 지속하고 있지만, 서로의 배려와 방역으로 우리는 이겨낼 수 있을 것이다. 코로나의 종식을 기원한다.👏👏