پیش بینی نرخ ابتلا و فوت ناشی از کووید-۱۹ در ایران با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت

مقدمه: گسترش سریع بیماری کووید-۱۹ به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون ها نفر در سراسر جهان به این بیماری مبتلا شده اند. همه گیری کووید-۱۹ بر جنبه های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیش بینی نرخ شیوع ویروس در این زمان ضروری است. این امر می تواند به کنترل نرخ همه گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتا از ابزارهای آماری و الگوریتم های مبتنی بر یادگیری ماشین استفاده کرده اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیش بینی بیماری همه گیر ناکافی بودند و دومی عمدتا مشکلات عدم برازش یا بیش برازش را تجربه کردند. برای فائق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است. روش: در مطالعه تحلیلی- مقطعی حاضر یک رویکرد برای پیش بینی موارد ابتلا و فوت شده ناشی از کووید-۱۹ مبتنی بر شبکه های حافظه طولانی کوتاه مدت (Long Short-Term Memory) LSTM ارائه شد. مدل LSTM روی داده های سری زمانی کشور ایران از تاریخ ۱۳۹۸/۱۱/۲ تا ۱۴۰۰/۹/۲۳ اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند. نتایج: بهترین نتایج این مطالعه برای پیش بینی دادگان فوت شده با ۲۷/۵۷ = RMSE و ۱۹/۰۱ = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است. نتیجه گیری: مدل پیشنهادی نشان داد که در مدل سازی و پیش بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-۱۹ می تواند به کنترل وضعیت پاندمی کمک کند.

Keywords:

COVID-۱۹ , Time Series Prediction , Recurrent Neural Network , Long Short-Term Memory , Iran , کووید-۱۹ , پیش بینی سری زمانی , شبکه عصبی بازگشتی , حافظه طولانی کوتاه مدت , ایران