A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

공중 보건의 복잡한 세계에서 미래를 예측하는 것은 종종 삶과 죽음이 걸린 문제입니다. 바이러스가 확산될 때, 정부는 단순히 오늘 얼마나 많은 사람이 아픈지가 아니라, 내일 얼마나 많은 사람이 병에 걸릴 수 있는지를 알아야 합니다. 이것이 바로 과거의 패턴을 살펴 다음 상황을 예측하는 방법인 시계열 모델링의 영역입니다. 수십 년 동안 과학자들은 데이터 포인트들을 관통하는 선을 그려 앞으로 다가올 것의 형태를 파로 보고자 하는 통계적 도구들을 사용해 왔습니다. 그러나 질병의 확산은 좀처럼 직선 형태를 띠지 않습니다. 그것은 인간의 행동, 정책 변화, 그리고 생물학적 요인에 의해 영향을 받는 혼돈스럽고 변화무쌍한 현상입니다. 이러한 복잡성을 헤쳐 나가기 위해 연구자들은 인공지능, 구체적으로는 신경망이라 불리는 일종의 컴퓨터 프로그램에 눈을 돌렸습니다. 신경망을 전통적인 수학이 놓칠 수 있는 패턴을 인식할 수 있을 때까지 내부 연결을 조정하며 사례로부터 학습하는 디지털 뇌라고 생각하십시오. 하지만 이러한 디지털 뇌조차도 올바르게 유도되지 않으면 막히거나 실수를 할 수 있습니다. 여기서 메타-휴리스틱 알고리즘이라고 알려진 더 새로운 부류의 문제 해결 도구가 등장합니다. 이것들은 새의 군집 이동이나 고래의 사냥 방식과 같이 자연에서 영감을 받은 계산 전략으로, 컴퓨터가 최선의 해결책을 찾기 위해 방대한 가능성을 탐색하고 막다른 길이나 국소적 함정을 피하도록 돕습니다.

이러한 긴급한 필요성과 기술 혁신의 배경 속에서, 테헤란에 위치한 하탐 대학교(Khatam University)의 한 연구자는 코로나19 팬데믹의 치명적인 피해를 어떻게 예측할 것인지 정교화하는 작업에 착수했습니다. 상당한 감염 파동을 겪었던 국가인 네덜란드에 초점을 맞춘 이 연구는 2020년 2월 발생 초기부터 2021년 4월까지의 일일 사망 기록을 분석했습니다. 목표는 단순히 사망자를 세는 것이 아니라, 더 정확한 예측 기계를 구축하는 것이었습니다. 연구자는 먼저 일일 사망 수에서 파생된 광범위한 데이터 포인트를 컴퓨터에 입력했습니다. 단순히 사망자 수의 원시 데이터를 사용하는 대신, 연구팀은 금융 분석가가 주가를 예측하기 위해 이동 평균나 모멘텀을 살펴보는 것과 유사하게 이 데이터를 16가지의 서로 다른 수학적 지표로 변환했습니다. 이러한 지표들은 컴퓨터가 팬데ミック 곡선의 추세, 변화 속도, 그리고 변동성을 파악하는 데 도움을 주었습니다. 컴퓨터가 불필요한 정보에 압도되지 않도록, 연구자는 생물학적 진화를 모방하는 과정인 유전 알고리즘을 사용하여 데이터를 걸러내고 최종 모델에 가장 적합한 지표만을 선택했습니다.

데이터 준비가 완료되자, 연구는 예측 모델을 훈련시키는 몇 가지 다른 방법들을 테스트했습니다. 기준점은 그 자체로 강력한 도구인 표준 인공 신경망이었습니다. 그러나 연구자는 신경망이 더 나은 답을 찾을 수 있도록 안내할 수 있는지 확인하기 위해 네 가지 서로 다른 메타-휴리스틱 알고리즘을 도입했습니다. 여기에는 나방이 빛을 따라 항해하는 방식을 시뮬레이션하는 나방-불꽃 최적화(Moth-Flame Optimization), 혹등고래의 거품 그물 사냥 전략을 모델링한 고래 최적화 알고리즘(Whale Optimization Algorithm), 피라미드 건설의 물리 법칙을 활용한 기자 피라미드 건설(Giza Pyramids Construction) 알고리즘, 그리고 미래 탐색 최적화(Future Search Optimization)라고 불리는 더 새로운 방법이 포함되었습니다. 이 마지막 알고리즘은 독특한 접근 방식을 취하는데, 사회 구성원들이 가장 성공적인 개인을 모방함으로써 삶을 개선하려고 노력하며 전 지구적 이상향을 향해 끊임없이 경로를 조정하는 과정을 모델링합니다. 컴퓨터는 이러한 다양한 전략들을 수천 번 실행하도록 요청받았으며, 매번 예측값과 실제 과거 데이터 사이의 오차를 최소화하려고 시도했습니다.

이 광범적인 디지털 실험의 결과는 명확하고 결정적이었습니다. 표준 신경망이 준수한 예측을 제공하긴 했지만, 자연에서 영감을 받은 가이드를 사용한 알고리즘들이 이를 능가했습니다. 테스트된 여러 방법 중에서 미래 탐색 최적화 알고리즘이 가장 정밀한 도구로 부상했습니다. 이 알고리즘은 고래나 나방에서 영감을 얻은 전략들을 포함한 다른 방법들보다 수십 배 더 나은 수준의 정확도를 달al성했습니다. 연구는 이 알고리즘이 일일 변동이라는 소음 속에서 최적의 경로를 효과적으로 찾아내며, 다른 모델들이 따라올 수 없는 정밀도로 팬데믹의 혼란스러운 데이터를 항해할 수 있음을 발견했습니다. 본 연구는 신경망의 패턴 인식 능력과 이러한 고급 알고리즘의 전략적 탐색 능력을 결합함으로써, 더 빠르고 정확한 모델을 만드는 것이 가능하다는 것을 입증했습니다. 연구는 결론적으로, 미래의 팬데믹에 대해 이러한 하이브리드 방법을 활용하는 것이 정부에 적시 결정을 내리는 데 필요한 신뢰할 수 있는 선견지명을 제공하여, 더 조기에 효과적인 개입을 가능하게 함으로써 생명을 구할 수 있다고 제언합니다. 이 작업은 질병 확산의 미래를 이해하는 열쇠가 단지 과거를 보는 것에 있는 것이 아니라, 그것을 해석하기 위한 올바른 계산 도구를 사용하는 데 있음을 시사합니다.