حسین عباسی مهر - دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران
رضا پاکی - دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران

مدلسازی و پیش بینی تعداد مبتلایان بیماری کویید- 19 از اهمیت ویژه ای برخوردار است. پیش بینی درست تعداد مبتلایان در روزهای آینده به دولت ها کمک می کند تا تصمیمات دقیقی در حوزه های سلامت و اقتصاد اتخاذ کنند. روش ها و مدل های ریاضیاتی برای پیش بینی تعداد مبتلایان در کشورهای مختلف در ادبیات موضوع ارائه شده است. روش های یادگیری عمیق کاربردهای موفقیت آمیزی در حوزه محتلف داشته اند. در این مقاله یک روش مبتنی بر شبکه حافظه طولانی کوتاه-مدت LSTM و روش بهینه سازی بیزین Bayesian جهت پیش بینی تعداد مبتلایان بیماری کویید- 19 ارائه می شود. روش ارائه شده ابتدا سری زمانی داده های کویید- 19 را دریافت می کند سپس با انجام پیش پردازش روی داده ها آن ها تبدیل به فرمت قابل پردازش توسط LSTM می کند. خروجی LSTM به صورت چندگانه طراحی شده است که امکان پیش بینی تعداد مبتلایان در چند روز آینده را فراهم می کند. نتایج آزمایشات روی 3 کشور دارای بالاترین آمار مبتلایان نشان می دهد که روش پیشنهادی دارای عملکرد بهتری نسبت به روش آماری ARIMA دارد.

بیماری کویید- 19 ، شبکه حافظه طولانی کوتاه-مدت، بهینه سازی بیزین، ARIMA