A Capstone Project integrating mathematical, statistical, machine learning, and deep learning models to predict influenza infection rates in Korea.
인플루엔자는 매년 겨울철(11~4월) 유행하며, 전 연령층에 사회·경제적 피해를 초래하는 대표적인 호흡기 감염병입니다.
본 프로젝트는 2014년 36주차부터 2025년 21주차까지의 인플루엔자 의사환자분율(ILI) 데이터를 바탕으로,
다양한 예측 기법을 결합한 하이브리드 앙상블 모델을 구축하여 단기 예측 정확도를 높이고 방역 정책 수립에 기여하고자 하였습니다.
- 감염병 유행 시기 및 패턴을 조기 예측
- 개별 모델의 한계를 보완하는 앙상블 기반 예측 모델 개발
- 고위험군 대응, 지역 보건 자원 분배 등의 실질적 기여
총 10개의 개별 모델 + 13개의 앙상블 전략으로 구성된 다계층 예측 시스템을 구축하였습니다.
| 모델유형 | 세부 모델 |
|---|---|
| 수리 모델 | SIR |
| 통계 모델 | SARIMA, SARIMAX, Prophet |
| 머신러닝 | Random Forest, Gradient Boosting, XGBoost, LightGBM |
| 딥러닝 | LSTM, CNN-LSTM, Transformer |
| 앙상블 모델 | 단순 평균, 가중 평균, 최적화 앙상블, 스태킹 (Ridge, Lasso, ElasticNet, XGBoost) 등 |
👉 모델 비교 결과, 대부분의 앙상블 모델이 개별 모델 대비 우수한 성능(R² ↑, RMSE·MAE ↓)을 보였습니다.
이 저장소는 팀 프로젝트의 일환으로, **"서호영"**이 담당한 머신러닝 및 스태킹 앙상블 관련 코드만을 포함하고 있습니다.
전체 모델 중 Random Forest, Gradient Boosting, XGBoost, LightGBM 및 이들을 조합한 Stacking 모델 4종에 대한 구현과 예측 결과를 확인할 수 있습니다.
| 파일명 | 설명 |
|---|---|
influenza_ml_stacking.ipynb |
머신러닝 및 스태킹 기반 예측 모델 전체 구현 |
images/ |
모델별 예측 시각화 이미지 폴더 |
README.md |
본 문서 |
docs/ |
캡스톤 발표 포스터 |
- 단일 머신러닝 모델은 추세는 잘 반영했으나 급격한 유행 구간(2024년 12월~2025년 1월)에서는 예측력이 다소 부족함
- Stacking 모델은 해당 피크 구간을 약간의 지연은 있었지만 상대적으로 정확히 예측
- 특히 Ridge, Lasso 기반의 Stacking은 급격한 진폭 없이 안정적인 예측 곡선을 보여 정책 활용 가능성이 높음
- 출처: 질병관리청 감염병포털
- 데이터 내용: 2014년 36주차 ~ 2025년 21주차, 전국 단위 인플루엔자 의사환자분율(ILI)
⚠️ 데이터 파일은 라이선스 이슈로 포함되어 있지 않으며, 필요 시 출처에서 직접 다운로드 바랍니다.
- 본 저장소는 부산대학교 의생명융합공학부 데이터사이언스전공 2025년 1학기 캡스톤디자인 프로젝트의 일부입니다.
- 지도교수: 이환희 교수님
- 팀명: 감염에 감명받다
- 팀원: 서호영, 이명현, 정혜린, 변예서
- GitHub: github.com/hohoyoungyoung
- 이메일: xvwjstkvx2@naver.com