[논문]코로나 바이러스 확진자 데이터 기반 시뮬레이션 모델 학습 방법 제안

장미; 이복주; 강봉구; 서경민

코로나 바이러스 확진자 데이터 기반 시뮬레이션 모델 학습 방법 제안
Suggestion of Corona Virus Infection Data-based Simulation Model Update Method 원문보기

장미 (한국기술교육대학교 에너지신소재응용화학공학부) , 이복주 (한국기술교육대학교 컴퓨터공학부) , 강봉구 (한국생산기술연구원) , 서경민 (한국기술교육대학교 융합학과)

코로나감염-19, 사스, 메르스 등 바이러스성 질병이 전세계적으로 확산되어 많은 인구가 감염되어 왔다. 바이러스성 질병의 확산 예측 및 종결을 위해 실제 감염자 데이터를 기반으로 한 시뮬레이션 연구는 반드시 필요하다. 본 연구는 지역 내 클러스터 감염 시뮬레이션을 위한 바이러스 감염모델을 제안한다. 제안하는 모델은 여러 개의 셀로 구성되어 있으며, 각 셀은 군집을 표현하고 있다. 본 논문에서 제안한 모델은 실제 데이터를 기반으로 하여 정확도가 높으며, 이를 바탕으로 향후 지역의 특성을 반영한 전파 시뮬레이션 혹은 지역 간의 전파를 예상하는 시뮬레이션의 기초로 사용될 수 있다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

데이터 기반의 모델의 경우 실제로 제공된 데이터가 바탕이 되므로 정확한 분석이 가능하다는 장점이 있다. 본 연구는 시뮬레이션 모델을 구성을 위한 이전 과정으로서 실제 발생한 일별 감염자 수 데이터를 바탕으로 바이러스 전파 모델을 설계하였다. 뿐만 아니라 클러스터 감염에 대한 표현이 가능하도록 각 행정구역을 셀로 나타내고, 각 셀의 내부에 군집 표현하였다.

가설 설정

대구 지역을 CA로 표현하기 위해 1개의 행정구역을 1개의 셀로 설정하였으며 각 셀에는 동일한 인구가 거주 중이라고 가정하였다. 즉, 지역 내 전체 인구의 수가 M이고, 행정구역의 수가 D일 때, 각 셀에 표현되는 인구의 수는 D/M이다.

제안 방법

12일째를 기준으로 이전에는 신규 확진자의 수가 점점 증가하여 바이러스가 감염이 확산되는 추세였으며, 그 이후에는 점차 확진자의 수가 줄어들어 바이러스 감염이 진정되는 경향을 확인할 수 있다. 본 논문에서는 상반되는 경향을 보이는 두 시기를 각각 확산기와 진정기로 구분하였다.
본 연구에서 제시한 모델을 통해 지역 내 클러스터 감염의 추이를 예측할 수 있게 된다. 현재 모델에서는 각 셀을 일반화하여 표현하였으나, 추후 진행될 연구에서는 각 셀에 인구 밀도, 단체 시설의 개수와 같은 지역적 특성을 반영하여 더 현실적인 전파 모델의 구현이 가능해질 것이다.
본 연구는 시뮬레이션 모델을 구성을 위한 이전 과정으로서 실제 발생한 일별 감염자 수 데이터를 바탕으로 바이러스 전파 모델을 설계하였다. 뿐만 아니라 클러스터 감염에 대한 표현이 가능하도록 각 행정구역을 셀로 나타내고, 각 셀의 내부에 군집 표현하였다.
모든 구성원을 하나의 모델로 간주할 경우, 모델의 개수가 굉장히 많아지므로 구현하는데 한계가 있다. 이러한 점을 반영하여 모든 구성원을 각각 모델로 나타내는 대신 행정구역을 모델 단위로 설정하였다. 연구 대상을 셀 단위로 분할하여 분석하는 방법을 셀룰러 오토마타(이하 CA)라고 한다.
진정기의 식별 구간을 통하여 k·α와 t·β를 찾는다. 찾은 k·α와 t·β가 최적의 전파 확률인지 진정기 검증 구간의 실제 감염자 수와 비교하여 판단한다.

대상 데이터

모델 설계에 앞서 바이러스 전파 시나리오 분석을 위해 선정한 지역은 가장 많은 감염자가 발생한 대구광역시이다. 그림 1은 실제 대구에서 발생한 일별 신규 확진자의 수를 나타낸 표이다.

성능/효과

확진자 발생 첫날부터 40일이 지난 3월 28일까지의 일별 신규 확진자 추이를 살펴보면 12일째에 확진 판정을 받은 사람이 741명으로 가장 높았다. 12일째를 기준으로 이전에는 신규 확진자의 수가 점점 증가하여 바이러스가 감염이 확산되는 추세였으며, 그 이후에는 점차 확진자의 수가 줄어들어 바이러스 감염이 진정되는 경향을 확인할 수 있다. 본 논문에서는 상반되는 경향을 보이는 두 시기를 각각 확산기와 진정기로 구분하였다.
실 데이터를 기반으로 한 시뮬레이션 모델이므로 정확도가 높다는 장점을 가진다. CA를 사용하여 각각의 셀에 고유한 특성을 입력할 수 있다는 특징을 바탕으로 각 셀에 지역적 특성을 반영하여 좀 더 해상도가 높은 시뮬레이션 구현이 가능하다. 특히 인구밀도, 구성원들의 행정 구역 간의 이동, 단체 시설 등 클러스터 감염의 확률을 높이는 특성들을 도입할 경우, 폭발적이고 돌발적인 클러스터 감염에 대한 영향력을 미리 예측하고 대비할 수 있다.

후속연구

본 연구에서 제시한 모델을 통해 지역 내 클러스터 감염의 추이를 예측할 수 있게 된다. 현재 모델에서는 각 셀을 일반화하여 표현하였으나, 추후 진행될 연구에서는 각 셀에 인구 밀도, 단체 시설의 개수와 같은 지역적 특성을 반영하여 더 현실적인 전파 모델의 구현이 가능해질 것이다. 또는 지역 간의 연결을 통해 넓은 범위에 대한 분석이 가능할 것으로 보인다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

코로나 바이러스 확진자 데이터 기반 시뮬레이션 모델 학습 방법 제안
Suggestion of Corona Virus Infection Data-based Simulation Model Update Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

코로나 바이러스 확진자 데이터 기반 시뮬레이션 모델 학습 방법 제안 Suggestion of Corona Virus Infection Data-based Simulation Model Update Method 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

코로나 바이러스 확진자 데이터 기반 시뮬레이션 모델 학습 방법 제안
Suggestion of Corona Virus Infection Data-based Simulation Model Update Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper