지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이희상
- 발행연도
- 2023
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (4)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
국내 신종코로나바이러스감염증-19(이하 코로나19) 확진자 수는 급격한 변동을 거듭하였다. 또한, 코로나19에 대한 데이터의 가용 여부가 시간에 따라 변화하였으므로 구획 모델 등의 전통적인 접근으로는 코로나19 확진자 수를 예측하기 어렵다. 이를 정확하게 예측하기 위해 본 논문에서는 다양한 과거 데이터를 입력변수로 사용하는 딥러닝 방법론을 채택하였으며, 분석 기간을 나눈 후 각 기간에서 가용한 데이터를 활용하였다. 본 논문에서 제시하는 딥러닝 예측 모델의 은닉층은 RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), 또는 GRU(Gated Recurrent Unit)로 구성되며, 모델의 예측은 MAPE(Mean Absolute Percentage Error)로 평가하였다. 분석 기간은 코로나19 변이 검출을 기준으로 분할하여, 변이 발생 전 코로나19 확산기, 코로나19 변이 확산기, 오미크론 변이 확산기로 구분하며 기간마다 별도의 실험을 수행하였다.
모든 실험은 연령대별 확진자 수, 수도권‧비수도권 확진자 수, 코로나19로 인한 사망자 수 및 재원 위중증 환자 수, 사회적 거리두기 단계, 과거 확진자 수를 입력변수로 고려하였다. 시간과 지역에 따라 강도가 다른 사회적 거리두기는, 바이러스 확산 방지를 위해 실시한 두 가지 조치를 기준으로 재구성하였다. 해외유입과 코로나19 확산 관련 뉴스 수의 경우, 각 실험에서 코로나19 확진자 수와의 상관관계가 유의할 경우 입력변수로 사용하였고 코로나19 변이 검출 수, 병상가동률, 재택치료자 수는 코로나19 변이 확산기 실험 혹은 오미크론 변이 확산기 실험에서 입력변수로 고려하였다. 각 실험에서 입력변수는 확진자 수와의 상관계수 크기에 따라 구분하여, 어떤 변수를 사용할 때 예측 성능이 가장 우수한지 확인하였다.
분석 결과, 모든 실험에 걸쳐 가장 우수한 모델은 하나의 모델로 특정할 수는 없었으나 각 실험에서 가장 우수한 예측의 MAPE는 15% 이내로 계산되었다. 코로나19 변이 확산기에서 사용한 입력변수를 오미크론 변이 확산기에 적용하면 오미크론 변이 확산기에서 가용한 데이터로 입력변수를 구성할 때보다 예측 성능이 악화됨을 확인하였다. 본 연구는 바이러스 확산 패턴의 변화에 따라 모델의 입력변수를 조정해야 함을 보여주었으며, 일관된 데이터를 안정적으로 수급하기 위한 데이터 정책 정비의 필요성을 제시하였다.
모든 실험은 연령대별 확진자 수, 수도권‧비수도권 확진자 수, 코로나19로 인한 사망자 수 및 재원 위중증 환자 수, 사회적 거리두기 단계, 과거 확진자 수를 입력변수로 고려하였다. 시간과 지역에 따라 강도가 다른 사회적 거리두기는, 바이러스 확산 방지를 위해 실시한 두 가지 조치를 기준으로 재구성하였다. 해외유입과 코로나19 확산 관련 뉴스 수의 경우, 각 실험에서 코로나19 확진자 수와의 상관관계가 유의할 경우 입력변수로 사용하였고 코로나19 변이 검출 수, 병상가동률, 재택치료자 수는 코로나19 변이 확산기 실험 혹은 오미크론 변이 확산기 실험에서 입력변수로 고려하였다. 각 실험에서 입력변수는 확진자 수와의 상관계수 크기에 따라 구분하여, 어떤 변수를 사용할 때 예측 성능이 가장 우수한지 확인하였다.
분석 결과, 모든 실험에 걸쳐 가장 우수한 모델은 하나의 모델로 특정할 수는 없었으나 각 실험에서 가장 우수한 예측의 MAPE는 15% 이내로 계산되었다. 코로나19 변이 확산기에서 사용한 입력변수를 오미크론 변이 확산기에 적용하면 오미크론 변이 확산기에서 가용한 데이터로 입력변수를 구성할 때보다 예측 성능이 악화됨을 확인하였다. 본 연구는 바이러스 확산 패턴의 변화에 따라 모델의 입력변수를 조정해야 함을 보여주었으며, 일관된 데이터를 안정적으로 수급하기 위한 데이터 정책 정비의 필요성을 제시하였다.
목차
제1장 서론 11. 연구 배경 11) 신종코로나바이러스감염증-19 확산 추세 12) 코로나19 확산 방지를 위한 정부개입 33) 코로나19 변이 바이러스 42. 논문 개요 및 구성 5제2장 문헌 연구 71. 모델 분석 71) 구획 모델 72) 시계열 모델 83) 머신러닝 및 딥러닝 모델 82. 머신러닝을 활용한 우리나라의 확진자 수 예측 103. 모델 선정 11제3장 연구방법론 131. 예측 모델 수립 131) 예측 모델 개요 132) 순방향 인공신경망 133) RNN 144) LSTM 165) GRU 186) 하이퍼파라미터 설정 207) 상관분석 212. 데이터 241) 데이터 수집 242) 데이터 가공 263. 실험 설계 291) 데이터 확인 292) 분석 기간 설정 293) 입력변수 선정 324. 실험 1: 변이 발생 전 코로나19 확산기 345. 실험 2: 코로나19 변이 확산기 366. 실험 3: 오미크론 변이 확산기 39제4장 연구 결과 421. 실험 1 421) 다른 논문과의 성능 비교 422) 예측 결과 442. 실험 2 463. 실험 3 48제5장 결론 501. 연구 의의 및 제언 502. 연구 한계 및 향후 개선 방향 53참고문헌 54부록 63ABSTRACT 86
최근 본 자료
댓글(0)
0