Attention LSTM과 SHAP을 사용한 설명 가능한 COVID-19 확진자 수 예측 기법

Abstract

COVID-19의 확산으로 인해 세계적으로 많은 손실이 보고되고 있다. 효과적인 확산 방지 대책을 수립하기 위해서는 COVID-19 확산 정도의 정확한 예측이 필요하며, 이를 위해 확산 초기부터 기계적 접근법이나 기계학습 기반 접근법 등을 활용한 기법들이 제안되어왔다. 그러나 최근 백신 도입으로 인하여 변화된 확산 패턴에 적합한 예측 모델이 필요하며, 기계학습 기반 접근법을 통해 예측 정확도는 높아졌으나 모델의 설명성이 부족하여 충분한 신뢰를 주지 못하는 실정이다. 이에, 본 논문에서는 Attention LSTM(Long Short-Term Memory) 모델을 사용하여 COVID-19 확진자 수를 예측하고, 그 결과를 SHAP(SHapley Additive exPlanations)을 통하여 분석하는 설명 가능한 COVID-19 확진자 수 예측 기법을 제안한다. 백신 접종 데이터를 포함한 COVID-19 관련 다양한 데이터를 수집하고, Attention LSTM 모델의 입력 변수로 사용함으로써 백신 도입으로 인한 변화를 반영하였다. 다양한 모델과의 비교 실험을 통하여 제안한 모델의 우수한 예측 성능을 보였으며, SHAP을 통해 예측 결과에 대한 설명 가능성을 입증하였다.