공간‑시간 전염병 모델 STSIR: 이동성 데이터 기반 COVID‑19 예측과 정책 평가

초록

STSIR은 기존 SIR 모델에 도시 내부·도시 간 이동성 지수를 결합한 미분 방정식 체계로, 베이두 이동성 데이터와 중국 코로나19 확진 데이터를 이용해 파라미터를 다단계 시뮬레이티드 어닐링(MSSA)으로 최적화한다. 실험 결과, 전체 감염 규모를 정확히 예측함은 물론, 정책 효과를 관찰 가능한 지표(δ₁·δ₂ 등)로 정량화한다.

상세 분석

본 논문은 전통적인 SIR/SEIR 모델이 현대 교통망을 반영하지 못한다는 한계를 지적하고, 두 종류의 이동성 지수(도시 내 활동 밀도 T_I, 도시 간 이동량 T_O)를 동적 시스템에 직접 삽입한다는 점에서 혁신적이다. 모델식(11‑13)은 각 도시를 벡터 형태로 다루며, δ₁은 T_I가 감염 전파에 미치는 가중치, δ₂는 T_O가 감염자·감수자 이동을 통해 전파되는 비율을 나타낸다. 특히, “감수자 → 감염자” 전이와 “감수자·감염자 이동”을 각각 T_I·S·I·N⁻¹와 T_O·S·N, T_O·I·N 형태로 분리함으로써 intra‑city와 inter‑city 전파 메커니즘을 명확히 구분한다.

폐쇄성(Closed‑system) 증명은 총 인구 N이 시간에 따라 보존됨을 보이며, 이는 모델이 자체 일관성을 유지한다는 강점을 제공한다. 파라미터 추정은 다단계 시뮬레이티드 어닐링(MSSA) 알고리즘을 사용해 전역 최적을 탐색한다. 초기 온도와 냉각 스케줄을 단계별로 조정함으로써 복잡한 비선형 최적화 문제에서 지역 최소에 빠지는 위험을 감소시킨다.

실험에서는 베이두 이동성 데이터(일일 도시 간/도시 내 이동량)와 DingXiangYuan이 제공한 확진·완치·사망 데이터를 2020년 초~중반에 걸쳐 31개 주요 도시(베이징, 상하이 등)에서 적용하였다. 결과는 기존 SIR/SEIR 대비 평균 절대 오차(MAE)가 30% 이상 감소했으며, 특히 정책 변화(예: 도시 봉쇄, 거리두기) 직후 δ₁·δ₂ 값이 급격히 감소하는 현상을 포착해 정책 효과를 실시간으로 정량화할 수 있음을 보여준다.

한계점으로는 (1) 이동성 지수가 스마트폰 사용자에 편중돼 전체 인구를 완전 대변하지 못할 가능성, (2) 감염자·감수자 이동을 동일한 T_O로 모델링함에 따라 실제 이동 패턴(예: 감염자 격리율)과의 차이가 존재할 수 있음, (3) 파라미터 δ₁·δ₂가 정책 효과를 직접적인 지표로 해석하려면 추가적인 외생 변수(검역 강도, 의료 자원)와의 연계가 필요하다는 점을 들 수 있다. 향후 연구에서는 계층적 베이지안 프레임워크를 도입해 파라미터 불확실성을 정량화하고, 이동성 데이터와 병원 입원·검사 데이터의 다중 소스를 융합하는 방향이 제시된다.