본 논문은 미국 내 주별 일일 입원 환자 수를 예측하기 위한 새로운 병렬 스트림 장단기 기억(LSTM) 프레임워크를 제시합니다. COVID-19 팬데믹 동안 변이 바이러스 확산 시점에 기존 예측 모델의 부정확성 문제를 해결하기 위해, 메타의 사회적 연결 지수를 기반으로 한 공간-시간적 특징인 사회적 입원 근접성(SPH)을 통합했습니다. SPH는 주간 인구 이동을 반영하여 공간 및 시간에 걸친 전파 역학을 포착합니다. 본 연구의 모델은 단기 및 장기 시간적 의존성을 모두 포착하고, 다중 수평 앙상블 전략을 통해 예측 일관성과 오차를 조절합니다. 델타 및 오미크론 변이 확산 기간 동안 COVID-19 예측 허브 앙상블 모델과 비교 평가한 결과, 제시된 모델의 우수성을 확인했습니다. 특히 오미크론 변이 확산 기간 동안, 7일, 14일, 21일, 28일 예측 기간에서 각각 주당 평균 27, 42, 54, 69명의 입원 환자 수만큼 예측 성능이 향상되었습니다. 데이터 제거 실험을 통해 SPH의 예측력을 확인하여 감염병 확산의 복잡한 역학 모델링에서 공간-시간적 특징의 중요성을 강조했습니다.
