پیش بینی داده های سری زمانی COVID-۱۹ با استفاده از شبکه رگرسیونی یادگیری عمیق LSTM در ایران

به دنبال انتشار سریع و همه گیری کرونا ویروس و براساس تجربیات هر چند کوتاه مدت (حدود یکسال)، حاکی از این است که اطلاع رسانی (آموزش) مناسب و اقدامات لازم جهت پیشگیری مانند اعمال قرنطینه، استفاده از ماسک، شست و شوی دست ها و رعایت فاصله اجتماعی مانع از رشد افزایشی بیماری و کنترل آن می شود. در صورتی که بتوان پیش بینی و تخمین دقیقی از این داده ها سری زمانی برای روزهای آتی انجام داد، برنامه های پیشگیری و درمانی موثری را می توان طرح ریزی کرد تا این مداخله به کنترل و اقدامات درمانی خوبی ختم گردد. البته تا زمان دسترسی به یک واکسن موثرباید این رویه ادامه داشته باشد تا مانع از گسترش بیماری و آسیب به افراد جامعه شد. در این مطالعه داده های ابتلا و فوتی روزانه از سایت سازمان بهداشت جهانی WHO مرتبط با کشور ایران اخذ شده است. در روش پیشنهادی از این داده ها بعنوان داده های سری زمانی برای پیش بینی و تخمین تعداد مبتلایان و فوتی های روزانه ناشی از بیماری کرونا مبتنی بر مدل پیشنهادی شبکه LSTM رگرسیونی استفاده شده است. دو مدل پیشنهادی Covid۱۹NC برای پیش بینی تعداد ابتلا روزانه و Covid۱۹DD برای تخمین تعداد فوتی های روزانه ارائه شد. پس از آموزش و بروزرسانی شبکه ها نتایج برای مدل Covid۱۹NC مقدار RMSE=۴۷۲.۷۰۸۱ و مدل Covid۱۹DD نیز مقدار RMSE=۱۸.۳۲۸۷ بدست آمده است. جهت ارزیابی مدل های پیشنهادی شبکه LSTM رگرسیونی با سایر مدل های یادگیری ماشین Regression Learner نیز با استفاده از مجموعه داده های این پژوهش نتایج مورد مقایسه قرار گرفتند. در بررسی و پیش بینی توالی داده های سری زمانی مشخص گردید که برای مدل های پیشنهادی شبکه LSTM رگرسیونی نتایج نزدیک تری به داده های آزمون داشته و داده ها ی تخمین بهبود یافته تر نسبت به سایر مدل ها بوده است.

کلیدواژه ها:

و COVID-۱۹ ، پیش بینی و تخمین ، سری زمانی ، شبکه LSTM معیار RMSE