Tối Ưu Hóa Chính Sách Hàng Không bằng Deep Learning Để Kiểm Soát Đại dịch

Tổng quan

Bài báo này nghiên cứu tác động của các chuyến bay thương mại quốc tế đối với sự lây lan của COVID-19 bằng cách sử dụng mô hình Graph Neural Network (GNN) mang tên Dynamic Weighted GraphSAGE (DWSAGE). Mục tiêu chính là tìm hiểu cách thức di chuyển của con người ảnh hưởng đến động lực học của đại dịch và đề xuất các chiến lược hàng không tối ưu nhằm giảm thiểu sự lây lan với mức độ gián đoạn tối thiểu đối với kết nối toàn cầu. Nghiên cứu này đặc biệt quan trọng khi cung cấp công cụ dựa trên Deep Learning giúp các nhà hoạch định chính sách đưa ra quyết định sáng suốt về việc hạn chế hàng không trong các đợt bùng phát dịch trong tương lai.

Dữ liệu được sử dụng trong nghiên cứu bao gồm số liệu ca nhiễm COVID-19 hàng ngày và lưu lượng chuyến bay quốc tế từ năm 2020 đến 2021. Cụ thể:

• Dữ liệu chuyến bay: Thu thập từ Open Sky Network, bao gồm hơn 41,900,660 chuyến bay từ 13,934 sân bay trên 127 quốc gia.
• Dữ liệu COVID-19: Được lấy từ Our World in Data, bao gồm số ca nhiễm, tử vong, xét nghiệm, và tiêm chủng hàng ngày.
• Tiền xử lý dữ liệu: Căn chỉnh dữ liệu theo dòng thời gian, loại bỏ ngày thiếu thông tin hoặc lỗi âm, và sử dụng trung bình động 7 ngày để làm mượt số liệu ca nhiễm.

Phương pháp AI

Nghiên cứu giới thiệu mô hình DWSAGE, một kiến trúc Deep Learning hoạt động trên các đồ thị không gian-thời gian (spatiotemporal graphs) với thông tin chuyến bay được cập nhật hàng ngày. Mô hình này sử dụng GraphSAGE để học mối quan hệ không gian giữa các nút và kết hợp với LSTM để nắm bắt sự phụ thuộc theo thời gian.

Kiến trúc chi tiết của DWSAGE

• GraphSAGE Operator: Sử dụng phép cộng trọng số chuyến bay (additive) thay vì phép nhân để tránh mất tín hiệu khi trọng số gần bằng 0.
• GraphNorm: Sử dụng chuẩn hóa GraphNorm để tăng tốc độ hội tụ bằng cách điều chỉnh phân phối của các node embedding.
• LSTM: Hai lớp LSTM xếp chồng (stacked LSTM) để nắm bắt mối quan hệ không gian-thời gian của các nút trên chuỗi thời gian.
• Skip Connections: Được sử dụng để ngăn hiện tượng oversmoothing và giữ nguyên thông tin cấu trúc của đồ thị.
• Output Layer: Kết hợp hidden state output và structural embeddings từ GraphSAGE để dự đoán số ca nhiễm mới cho ngày kế tiếp.

GraphSAGE thực hiện tổng hợp thông tin từ các nút lân cận thông qua hàm tổng hợp bất biến hoán vị (permutation-invariant aggregation function) như sau:

Thí nghiệm và Kết quả

Thiết lập Thí nghiệm

• Dataset: Sử dụng chuỗi thời gian hàng ngày cho 10 khu vực địa lý trên thế giới, bao gồm Bắc Mỹ, Tây Âu, Trung Á, Đông Nam Á, và Trung Đông.
• Recursive Prediction: Thực hiện dự đoán lặp lại trong 30 ngày, sử dụng đầu ra của ngày trước làm đầu vào cho ngày tiếp theo.
• Đo lường hiệu suất: Sử dụng Mean Absolute Scaled Error (MASE) để đánh giá độ chính xác của dự đoán.

Kết quả và Quan sát

• Mô hình DWSAGE đạt độ tương quan cao (R = 0.97) giữa dự đoán và giá trị thực.
• Các khu vực có lưu lượng hàng không cao như Tây Âu và Bắc Mỹ có độ nhạy cảm cao, ảnh hưởng đáng kể đến động lực học lây nhiễm.
• Các chính sách giảm lưu lượng hàng không tại các nút có độ nhạy cảm cao có thể giảm số ca nhiễm trên toàn cầu một cách hiệu quả.

Hướng phát triển trong tương lai

• Mở rộng đặc trưng nút: Tích hợp thêm các đặc trưng như yếu tố kinh tế xã hội, tình trạng y tế công cộng.
• Sử dụng Transformers: Để mô hình hóa các phụ thuộc dài hạn trong chuỗi thời gian phức tạp hơn.
• Ứng dụng đa dịch bệnh: Mở rộng mô hình để dự đoán động lực học của các bệnh truyền nhiễm khác như cúm mùa hoặc virus mới nổi.

Tài liệu tham khảo

• Bài báo gốc: Deep Learning-Derived Optimal Aviation Strategies to Control Pandemics
• Các tài liệu bổ sung về GNNs, LSTM networks, và mô hình hóa đại dịch.